多标识学习问题(Multi-label Classification)普遍存在于现实生活的多个领域，例如文字分类、功能性基因体研究、图片场景分类、音乐分类及医学诊断领域等。在这类问题中，训练集中的每个样本对应的不是一个单一的标识，而是一个标识集合，故多指标学习的任务是同时预测出样本对应的标识个数及标识类别。本文中，探讨了采用随机森林作为基础分类器的RAKEL算法可行性，在两个实际数据Scene和Emotions上进行了建模比较，试验结果表明RAKEL-RF方法比基于SVM的RAKEL-SVM、LP-SVM等算法结果要更加优越。　　本文行文顺序如下:　　第一章介绍了多标识分类问题的现实意义，并介绍了本文的研究初衷。　　第二章简要回顾了多标识分类领域的研究成果，对现存的算法及各种评价测度进行了归纳总结，并对其优缺点给予了评价。　　第三章详细介绍了本文采用的RAKEL算法及其基础分类器随机森林。　　第四章详细介绍了本文试验采用的数据及试验结果。　　第五章对RAKEL-RF方法进行了总结，并指出本文的局限性和进一步深入研究的可能方向。