在机器学习领域,多标签学习从传统的文本分类问题中逐渐演变而来。在多标签学习中,训练集中的每个示例都关联着一组标签集,学习的目的就是通过分析训练集中的示例来预测未知示例的标签集。目前已提出一系列的多标签分类算法,依据其算法思想可以将其大致分为两种策略,一种常用的策略是问题转化方法,通过将多标签分类问题转换成多个单标签分类问题,然后直接应用传统的单标签分类算法进行处理,如:二分类、多分类以及标签排序算法,这种策略假设各个标签之间是相互独立的,而这种假设与现实规律相悖,不能准确的反应客观规律;另一种则是算法自适应,通过将传统的单标签分类算法模型进行修改,使其能够应用到多标签分类问题中来。随着研究的不断深入,学者发现在算法设计过程中结合标签之间的相关性能够一定程度上提高模型的分类效果。这两种策略都能够在一定程度上解决多标签分类任务,但依旧存在很多问题亟待解决。随着多视角学习作为一种新型学习形式的出现,多视角学习利用了多视角间的互补性和完备性让学习变得高效。多标签学习与多视角结合是否能得到更好的学习效果呢?本文提出一种多视角多标签的最优链式学习算法(Multi-view Multi-label Optimal Classifier Chain简写为MVMLOCC),该算法模型针对数据集的每个视角分别建立一个多标签链式分类器,通过动态地调节各链式学习器的权重来对未知数据示例进行预测。当输入一个未知示例时,通过多个链式分类器模型乘以对应权重得到最终的标签集情况。该模型充分利用了多标签之间的关联性与多视角间的互补性、完整性,能获得更好的学习效果。在三个具有挑战性的数据集(Corel5k,ESP Game,PASCAL VOC)上做的实验表明,相比于一些已经很成熟完善的多标签学习算法,MVMLOCC模型得到更好的性能。