随着互联网的高速发展,人类进入到信息爆炸的时代,机器学习技术得到了广泛的研究与应用。多标记学习问题是机器学习的重要研究问题,存在于现实生活中的很多地方。在多标记学习中,每个样本都与多个标记相关联,如何利用标记的相关性来构建模型是关键。深度森林作为机器学习领域的一项新技术,它的提出开辟了不同于深度神经网络的新路径。本文针对如何将深度森林应用于解决多标记学习问题展开了一系列研究,主要取得了以下创新成果:1)提出了多标记深度森林方法(MLDF),首次将深度森林应用于多标记学习,为该领域的研究提供了一个新思路。该方法依靠深度森林的级联结构探究和利用了标记之间的相关性。实验表明了 MLDF可以学习到标记间的相关性关系,证实了其性能具有一定的优越性,并验证了模型具有很强的可扩展性。2)提出了度量敏感的多标记深度森林方法(MA-MLDF),解决了在不同需求下优化不同度量的问题。该方法主要采用了度量敏感的特征重用机制和度量敏感的层级生长机制,这使得模型可以根据指定的度量进行调整。实验表明了MA-MLDF显著优于现有的一些方法,并证实了两种机制的有效性。3)提出了半监督多标记深度森林方法(SS-MLDF),使得模型在部分标记缺失时可以利用无标记样本来辅助有标记样本进行训练。该方法主要通过tri-training方法对无标记样本进行标记,并利用了mixup技术丰富样本来提高模型的泛化能力。实验表明SS-MLDF方法在半监督情况下优于现有方法。