多标记学习考虑单个样例与多个类别标记相关联的情况,类别不平衡学习主要研究样本不均衡带给算法的影响,两者均是当前机器学习研究领域的热点。在多标记数据集中普遍存在类别不平衡现象,虽然目前已经提出了大量的多标记学习算法,但大多聚焦在标记之间相互关系的挖掘,对于多标记数据集的内在不平衡特性却鲜有研究。针对上述问题,本文以传统类别不平衡处理技术中的阈值技术和代价敏感技术为出发点,在极限学习机模型的框架之下,对多标记中的类别不平衡问题展开研究。主要研究内容包括以下两个方面:1)极限学习机有着训练速度快,泛化性能好的优点,在回归、聚类、二类分类和多类分类等领域都有相关研究,但在多标记领域的研究相对较少,且未考虑到多标记数据中的类别不平衡现象。本文借鉴类别不平衡处理中的阈值技术,结合极限学习机框架,提出基于PSO粒子群优化的多标记阈值自适应极限学习机MLTA-ELM(PSO-based Multi-Label Threshold Adaptation Extreme Learning Machine)算法。在极限学习机实际输出矩阵的基础上,引入自适应阈值技术,将阈值选择问题转化为多变量最优化问题,并采用PSO粒子群优化算法寻求最优阈值组合。最后在12个常用多标记数据集上验证了MLTA-ELM算法的有效性,并从统计结果上进一步证明了MLTA-ELM算法性能的优越性。2)标记加权极限学习机开创了代价敏感学习思想在标记加权中的应用先河,但在多标记学习上,标记加权极限学习机对数据集的内在不平衡特性挖掘尚不充分,仅使用了类别不平衡比率的经验加权方式。针对这一问题,本文提出基于AdaBoost的多标记加权极限学习机Ada-MLW-ELM(AdaBoost-based Multi-Label Weighted Extreme Learning Machine)算法。该算法对AdaBoost进行改进,将其权重分布与标记加权极限学习机相结合,并在权重更新过程中充分利用了多标记数据集的不平衡特性,使得模型不仅继承了标记加权极限学习机的低时间复杂度,也提升了算法的性能与稳定性。通过在12个多标记数据集上与其他9个算法进行比较,证明了Ada-MLW-ELM算法性能显著优越于其他算法。