在多标签学习中,每个实例对应多个标签并拥有丰富的语义信息。不可否认的是,标签的缺省现象经常发生在多标签数据集。缺省标签会导致多标签学习算法获取错误的语义信息或者丢失重要的语义信息。标签空间的挖掘工作是多标签学习中研究热点,获取的语义信息可以提升算法的性能。因此,标签空间的挖掘方法及度量信息的方式是研究重点。基于此,本文研究工作如下:1)在多标签算法中,大多利用特征与标签嵌入等方法挖掘标签空间的语义信息。但是,这类方法未利用特征与标签间可能存在的某种联系。类属属性的提出较好地诠释特征与标签的联系,即标签可能对应一组自身的特征。然而,这类方法未能给出特征与标签间可能存在逻辑关系,标签与实例是否存在同样的逻辑关系。因此,本文提出基于PLSA（Probabilistic Latent Semantic Analysis）学习概率分布语义信息的新型多标签分类算法（Multi-label classification algorithm based on PLSA learning probability distribution semantic information,PLSA-ML）。2)目前,大部分算法结合标签相关性及类属属性来提升多标签学习效果,但没有考虑数据集中标签缺省的影响。实际上,通过标签补全的方法能进一步丰富标签矩阵的信息,进而联合类属属性的联合学习框架使得多标签学习能有效提升算法的鲁棒性。基于此,本文提出一种联合标签补全和类属属性的多标签学习算法（Joint Label Completion and Label-specific Features for Multi-Label learning algorithm,JLCLS）。3)标签的缺省会导致标签嵌入模型捕获不完全的潜在语义信息。然而,基于标签相关性的恢复机制只考虑标签关联,而忽略了实例相关性信息的客观存在。本文采用两级标签恢复机制,不仅从标签的角度恢复标签数据,而且充分利用标签空间中的实例相关性。本文结合两级语义信息,提出了一种两级标签恢复机制的标签嵌入多标签分类方法（Two-level label recovery-based label embedding for multi-label classification with missing labels,LE-TLLR）。本文基于PLSA对类属属性与标签与实例关系进行合理的解释。通过构建标签补全与类属属性的联合学习框架解决缺省标签对类属属性提取的影响。对于获取缺省标签空间内在信息的问题,本文利用两级标签恢复机制与标签嵌入的方法。本文提出的算法与其他对比算法相比有较好的性能,并利用可视化分析与统计假设检验等进一步说明所提算法的合理性。