多标签分类在现实生活中应用广泛,多标签分类算法可以分为两类:(1)问题转化方法,将多标签分类问题转化成二分类或者多分类问题,然后使用多分类算法进行分类。(2)算法适应方法,将多分类算法转化成相应的多标签分类算法。这些多标签分类算法都面临三个主要问题:(1)如何有效利用标签间相关信息;(2)数据不平衡问题;(3)算法处理大规模数据集时的有效性和效率。基于问题转化的多标签分类算法需要学习多个分类器,处理大规模数据集时算法运行速度慢,需要较大的存储空间。基于算法适应的多标签分类算法需要针对不同的标签获取数据不同的高阶特征,对算法处理能力要求高,往往模型非常复杂,容易过拟合。为了解决这些问题,本文首次将基于协同表示的分类方法应用在多标签分类问题中,基于问题转化方法构建了基于概率协同表示的多标签分类器Pro CRC-ML,模型分类正确率高,运算速度快,处理大规模数据时也有较高的效率。为了进一步提升模型分类性能,本文设计了集成Pro CRC-ML,即EPro CRC-ML,也在一定程度上解决了数据不平衡问题,基于Boosting集成方法的集成分类器有特征选择过程,针对不同的标签选择不同的特征子集,得到的EPro CRC-ML分类性能更好。相比单视图数据,多视图数据能有效改善模型训练。然而,现有的多视图学习算法大多只注重各视图之间的一致性或互补性,没有充分利用多视图数据。而同时考虑了多视图数据一致性和互补性的算法,由于模型复杂度高,处理大规模数据时能力受限。本文提出了基于概率协同表示的多视图分类器Pro CRC-MV,它联合最大化一个测试样例属于每个类的协同子空间的概率。Pro CRC-MV在协同表示过程中学习子空间,同时考虑多视图数据的一致性和互补性,可以获得较好的分类性能,同时模型复杂度低,运算速度快,处理大规模数据时仍能保持良好的性能。Pro CRC-MV具有基于自表示的子空间学习能力,因此本文将潜在表示学习与Pro CRC-MV相结合,使Pro CRC-MV可以更好地搜索协同子空间,构造一种新的分类器LPro CRC-MV,与Pro CRC-MV相比,LPro CRC-MV处理复杂数据的能力进一步增强。