分类问题是模式识别的核心研究内容,其目的是通过对己知标签数据集的学习设计一个分类器,然后用该分类器来预测新样本的标签。按照样本所属标签个数,分类问题可以分为单标签分类问题和多标签分类问题。在多标签分类问题中,标签与标签之间存在着一定的依赖或关联关系,而且问题中的样本可以同时属于多个标签,因此多标签分类问题是最为复杂的分类问题之一。目前,现实世界中存在着大量的多标签分类问题,多标签分类算法有非常广泛的应用前景,它将会引起人们越来越多的关注和重视。　　 对于多标签分类问题,本文提出了一种新颖的直接处理多标签分类问题的方法,该方法在一个优化问题中同时考虑所有的标签,保持标签与标签之间的关联关系。我们算法的基本设计思路:首先根据多标签支持向量机Rank-SVM的基本原理,建立两个目标优化函数,即最大化分类间隔函数和最小化排序损失函数,然后引入多目标优化技术,利用目前广泛使用的进化多目标优化方法即改进的非劣分类算法(NSGA-II)来同时优化这两个目标函数,从而直接处理多标签分类问题。　　 在算法的实验部分,本文归纳了多种常用的多标签分类算法的评价标准,然后在四个公开的基准数据集,即酵母数据集、场景数据集、情感数据集和基因数据集上开展计算实验,并与一些现有的多标签分类算法进行分类性能比较。由于任何一个多标签分类算法都不能保证在所有的评价标准上都能达到最优,因此,本文为实验中各个算法的每个评价标准进行打分,然后求每个算法的总得分,根据这个总分对所有算法的性能进行排序。实验结果表明,在与BoosTexter、Rank-SVM、ML-kNN、OVR-SVM、OVR-kNN、OVR-C4.5、OVR-NB等众多多标签分类算法进行性能比较后,本文提出的算法在所有的实验中都有较好的排名,分类性能良好。