近来,多标签分类任务的应用领域变得越来越广泛,因此对该问题的研究也变得愈发重要。然而,类别不平衡问题是多数多标签数据集固有的一种特征,它影响了大多数多标签算法的分类效果。目前,解决这个问题的主流方法可以划分为四个类别:重采样法、分类器适应法、集成法和成本敏感法。在这其中,重采样法被认为是一个比较有效的策略,该方法是在分类器对多签数据集进行训练前,先使用重采样技术对数据集进行处理。这是一种独立于分类器的类别不平衡问题处理方法,不受使用分类器种类的限制,因此它是非平衡多标签分类任务的研究重点。现有的多标签重采样方法往往着眼于减轻数据集的全局不平衡程度,很少有关注并解决标签之间不平衡程度差异较大的问题。忽略此问题的结果是在重采样过程中,可能会进一步放大标签之间不平衡程度的差异。在采样过程中随机复制或删除样本时,也可能导致数据集重要信息丢失、放大噪声或在训练过程中造成过拟合等问题。这些问题都会导致分类效果不佳。针对以上问题,本文改进MLSOL（Synthetic Oversampling of Multi-Label Data based on Local Label Distribution）算法,提出了一种基于标签不平衡率和邻域分布的生成采样算法（Multi-Label Synthetic Oversampling based on Label Imbalance Rate and Neighborhood Distribution,MLSIN）,主要贡献点为:（1）首次基于标签不平衡率提出一种标签不平衡程度的定义和计算方式,并提出新的样本权重计算方法,该方法同时考虑到了标签不平衡程度和标签邻域分布情况。新的样本权重可以使与标签不平衡程度高的标签关联的样本有更大概率被选中进行采样操作,从而有利于同时缓解标签之间和数据集整体的不平衡程度。（2）提出了一种样本类型修正惩罚策略,对处在决策边界样本的类型修正时依据邻域分布状态进行惩罚,使采样结果更好地增强决策边界少数类的信息。同时利用新的样本权重选择采样过程中使用的基础样本和辅助样本,生成更多的与不平衡程度大的标签相关联的样本,让分类器更好地学习和分类容易被误分类的样本。通过在公开多标签数据上与其他重采样方法进行对比实验,证明本文方法的有效性和优势。为进一步提升本文方法对非平衡多标签数据集的分类效果,借鉴集成学习思想,提出一种使用随机近邻参数的多标签集成学习框架（Ensemble of Multi-Label Synthetic Oversampling based on Label Imbalance Rate and Neighborhood Distribution with Random Neighbor Parameters,EMLSRP）。框架中基分类器使用随机近邻参数界定样本的近邻范围进行采样操作,并最终通过投票的方式对所有基分类器的预测结果进行集成。通过在公开多标签数据集进行实验,证明改进的方法在分类效果上进一步提升。