多标签分类问题中每个数据样本往往对应一个由多个相关标签构成的标签子集合,而这个标签子集则反映了该样本所具有的多种语义意义。考虑到传统分类问题中每个样本有且仅有唯一的类别标签,很显然地,多标签分类是传统分类问题的一种广义版本。然而这种广义性却不可避免地使多标签分类问题的解决变得更加困难。直观上,这些不同的标签往往在一些语义空间上相关,并且都对应着相同的输入特征空间。因此,通过有效地利用标签相关性能够明显地促进多标签分类过程。而目前大部分方法往往都存在一些不足,一方面它们常把标签间相关性作为一种先验知识加入到模型中,但是这种先验相关性却不能准确地描述标签间实际存在的相互依赖关系；另一方面这些方法也都无法解决不完全标签信息下的多标签分类问题。本文中我们提出了一种统一的框架通过对标签相关性和多标签模型进行联合学习,并且在该框架中利用矩阵的低秩结构以更准确地反映标签间所存在的复杂相关关系。同时为了解决不完全标签信息下的多标签分类问题,我们通过利用标签相关性对原始不完全的标签矩阵进行增强以构造一个补全标签矩阵加入到模型中。然后提出了一种交替迭代优化求解算法来准确地求解该模型中所涉及的优化问题。在实验部分,我们基于五种不同的评价标准并通过七个真实图像和文本数据集上的对比实验结果论证了本文所提出的算法分别在分类性能的准确性,标签相关关系的语义合理性以及缺失部分标签信息时算法的鲁棒性上较于其他方法具有明显的优势。