在机器学习领域,如何解决标记端的多义性问题一直受到研究人员们的广泛关注。标记分布学习范式通过引入“描述度”这一概念,用于精确地刻画每个标记对一个示例的重要程度,从而有效地解决了这一问题。近些年来,研究人员们在标记分布学习这一方向上取得了一定的进展,但仍存在一些问题亟需解决。一方面,在当今的大数据时代,研究人员们公开了越来越多的大规模标记分布数据集。然而,大部分现有标记分布学习算法在训练阶段或者测试阶段的时间复杂度过高,这使得它们往往不适用于解决大规模标记分布学习问题。另一方面,在构建大规模的标记分布数据集时,相应的人工标注成本会非常高昂。为了解决上述问题,本文首先结合了哈希/二进制编码技术,提出了两种高效的标记分布学习方法。然后,对标记增强技术展开研究,探索了如何从标注代价相对较低的逻辑标记和示例特征中恢复出示例的标记分布,并提出了两种高效的标记增强方法。通过多个常规规模和大规模数据集上的实验,验证了本文方法的有效性和优越性。本文的主要工作和贡献如下:基于哈希技术的标记分布学习研究。本文方法（BC-LDL）首先利用训练示例在标记分布间的相似性关系来指导哈希映射函数的学习,并通过映射函数为示例生成高质量的二进制编码;然后,通过快速的位运算或者向量乘法运算,实现示例间高效的查询并为测试示例预测其标记分布;此外,为了减少测试阶段的时间消耗,本文构建了编码查询表,用于存储相同编码的训练示例标记分布的均值,避免了一些重复检索。基于离散哈希技术的标记分布学习研究。针对BC-LDL存在着量化损失的问题,本文为带有标记分布的示例设计了一种离散哈希方法,并提出了DBC-LDL方法。与BC-LDL不同,DBC-LDL中训练示例的二进制编码是直接学习得到的,并非通过哈希函数映射生成的,因此避免了量化损失。此外,训练示例原始的标记以及在标记分布间的相似性关系被同时用于学习哈希映射函数,提升了测试示例的二进制编码质量。快速的标记增强研究。本文方法（FLE）引入了非负矩阵分解技术,用于灵活地处理标记分布的约束条件（即:描述度为非负实数,候选标记描述度和为1）。并且,本文提出了一种有效的标记重要性挖掘方法,使得FLE可以利用每个类别对于示例的重要性信息为训练示例恢复出准确的标记分布。此外,本文为FLE设计了一种高效的优化策略,同时对其收敛性进行了理论证明。基于双空间映射的标记增强研究。现有标记增强算法通常利用特征空间中的流形结构信息来指导模型学习,它们严重依赖于示例的特征质量。当特征质量不高时,所得的流形结构信息并不可靠。与现有的标记增强算法不同,本文方法（BMLE）首先利用逻辑标记空间中的内在相似性信息来指导标记分布的恢复,它可以通过逻辑标记映射的方式实现。其次,BMLE引入了逻辑标记重构项,使逻辑标记空间中的信息得到进一步保留。最后,本文对逻辑标记映射和重构的稳定性进行了理论分析。