1、分類是將給定的數(shù)據(jù)劃分到預定義的數(shù)據(jù)類中的過程，在數(shù)據(jù)挖掘和機器學習中是非常重要的一個學科分支并有著廣泛的應用和研究。根據(jù)數(shù)據(jù)屬于單個類還是多個類，分類分為單標簽分類和多標簽分類，由于多標簽能更加真實的表達現(xiàn)實世界中的存在，其應用相對單標簽而言更加廣泛。目前多標簽分類比較多的應用在文本分類，生物信息分類，場景分類，圖像自動標注，視頻剪輯等眾多領域。雖然多標簽應用廣泛，但由于多標簽內(nèi)在的復雜性即標簽之間存在相關性和多標簽數(shù)據(jù)表達的復雜性以

2、及輸出空間的指數(shù)性，仍然需要對現(xiàn)有的理論和算法有進一步的研究和整合，以使多標簽分類算法有進一步的改善。
　　1、相關理論分析。首先簡要介紹了單標簽的相關理論；然后對多標簽分類的相關理論和方法進行了詳盡的闡述和分析。
　　2、基于 MLKNN(Multi-Label K-Nearest Neighbor，多標簽 k鄰近算法)。KNN(K-Nearest Neighbor，k鄰近)算法是一種簡單但高效的聚類算法，有著廣泛的應用，

3、在多標簽分類中也得到了一定程度的應用。在分析多標簽分類算法MLKNN存在缺陷和不足的基礎上，本文提出一種改進的MLKNN算法。對于每一個輸入數(shù)據(jù)，利用KNN算法得出輸入數(shù)據(jù)的k鄰域進而求得每個數(shù)據(jù)中每個標簽的先驗概率和后驗概率，然后得出每一個標簽在數(shù)據(jù)中的最大概率。將每個數(shù)據(jù)的各個標簽概率放到數(shù)據(jù)的特征向量中并以此來表示局部的標簽相關性，再用帶有標簽概率的數(shù)據(jù)特征訓練分類模型。對比實驗結果驗證了所提算法具有較好的多標簽分類效果。

4、　　3、多實例數(shù)據(jù)表示分類方法?，F(xiàn)存的很多分類方法都只是將數(shù)據(jù)樣本表示為一個實例訓練分類模型進而得出未分類數(shù)據(jù)的標簽，沒有利用數(shù)據(jù)本身所包含的豐富的信息，鑒于此在KNN的框架下，本文提出一種基于多實例數(shù)據(jù)表示的多標簽分類方法。該算法首先對于每一個輸入數(shù)據(jù)，利用KNN算法得到該輸入數(shù)據(jù)的k鄰域，對于每一個標簽，k鄰域中包含該標簽的所有數(shù)據(jù)的算術平均值作為對應標簽的原型向量。將輸入數(shù)據(jù)與該數(shù)據(jù)對應的每一個原型向量的差值作為對應標簽的實例，這