单标记学习方法通常用于解决一个对象仅与一个标记相关的问题。目前,对单标记学习的研究已经比较成熟,然而,现实生活中的对象往往具有多种语义,同时使用多个标记描述一个对象可能更符合实际需求,而已有的单标记学习方法可能无法有效地处理这类任务。因此,多标记学习框架被提出来用于处理一个示例同时与多个标记相关的问题。为了提升模型的分类性能,考虑如何提取和利用标记相关性以及通过标记特定特征学习是目前多标记学习中的研究热点。近年来,已经有很多聚焦在面部表情识别上的研究。并在智能机器人、人机交互及动画合成等多个领域具有广泛的应用空间。在实际生活中,人脸通常表达出的是更加丰富的情绪,利用多标记学习算法能够同时分析出人脸所表达的多种情绪。因此,本文从标记相关性以及标记特定特征出发,对多标记学习方法进行了深入的学习和研究,并基于提出的多标记学习算法实现了一个多标记面部表情系统。第一,本文提出了一种基于全局和局部标记相关性的多标记分类算法。大多数现有的多标记学习方法在利用标记的相关性时,要么只使用被所有示例所共享的全局标记相关性,要么就使用局部标记相关性,它们认为不同簇中的示例应该存在不同的标记相关性。本文中,我们提出了一种新的同时利用全局和局部标记相关性的多标记分类方法,从而为学习进程提供更全面的标记信息。我们在多个领域的多标记数据集上进行了广泛的实验来检验本章提出的方法是否有效。从对比结果来看,该方法显著优于大多数已有的多标记学习算法。第二,本文提出了一种联合标记特定特征和相关性信息的多标记学习算法。在本章中,我们提出了一种新的多标记学习算法,该方法同时考虑了在学习过程中对标记特定特征和相关性信息的学习。首先,我们基于线性回归模型为每个标记学习一个稀疏的权重参数向量,然后可以根据相应的权重参数提取标记特定特征。其次,我们直接将标记相关性约束在模型的输出上,而不是在与标记特定特征学习冲突的相应参数向量上。最后,我们通过稀疏重建关系来利用样本之间的相关性。对比结果来看表明了所提出的方法的有效性。第三,本文实现了基于已提出的多标记学习算法的面部表情识别系统。目前,人脸表情识别具有广泛的应用场景,而传统的面部表情识别方法只能识别出对象的一种表情,无法有效地表达人们日常生活中复杂和微妙的情绪。多标记学习方法可以同时预测出多种表情从而更加确切地反应目标的真实情绪。因此,我们利用本文提出的两种多标记学习算法实现了一个人脸表情分析的系统。