随着互联网信息技术的霸主地位的确定,各种数据呈爆炸式增长。分类为处理这些数据的方式之一。早期的数据分类问题多为单标签分类问题,即二分类问题。而近年来多标签数据量急剧增长。因此,多标签分类是当前机器学习领域的热点问题之一,多标签主动学习技术可以有效降低构建分类器模型时的样本标注工作量。为了减少标注代价、提高多标签分类器的分类性能,本文提出了基于标签关系的多标签主动学习方法研究方案。本论文的主要研究工作如下:(1)研究面向多标签数据分类的主动学习采样策略。分析了基于样本查询和基于样本标签对查询这两类多标签分类方法的典型算法和存在的不足,为后续的研究工作提供理论基础。(2)针对多标签主动学习中标签关系度量方式不全面的问题,本文提出了一种基于卡方统计的多标签主动学习方法。根据标签关系,度量样本标签对的标签信息量,使得挑选的样本标签对更有价值,提高了分类器性能。(3)针对当前多标签主动学习方法忽略人工标注这一过程,本文提出了一种结合半监督学习的多标签主动学习的方法。首先,通过不确定性和标签关系选择信息含量最大的样本-标签对,然后结合分类器的预测结果与最近邻样本-标签对的值,并在将挖掘发现的标签关系信息融入,同时考虑这三个条件来自动标注样本-标签对,此约束条件确保了自动标注的准确率,人工标注量减少在并且保证了分类器的性能。本文对提出的方法进行实验验证。实验结果表明,本文提出的方法在Accuracy,Macro-F1和Micro-F1这3个性能指标上均优于目前最优方法。本文方法通过自动标注部分样本有效降低了样本标注工作量,提高了分类器效率。