分类是数据挖掘技术中的一个热门研究分支,它主要是利用样本数据集来构建一个分类模型,并使用该分类模型对未知样本实例进行类别信息的预测。在传统的单标签分类中,一个样本实例仅隶属于一个类别。然而,真实世界中却存在大量的多义性实例,即一个样本实例可能同时隶属于不同的类别,相应的分类问题被称作为多标签分类问题。最初,多标签学习起源于分档归类中遇到的多义性问题。经过数十年来的发展,多标签学习技术已在医疗诊断、生物遗传学、推荐系统、信息检索、图像视频等领域得到了广泛应用。随着多标签学习热度的持续上升,解决多标签分类问题的算法层出不穷,很多算法(如BR、CC、MBR)在设计过程往往存在忽略标签间的关联性、随机选择标签序列、冗余交互标签信息及交互过程中信息缺失等因素而导致算法的分类精度降低的问题,特别在将多标签分类转化为一个或者多个二元分类来解决分类问题上最为显著。针对上述存在的诸多问题,本文首先提出了基于双层结构的链式多标签分类(DLMC)算法,该算法构建了一个双层结构的分类模型,旨在通过层间交互和层内交互来实现标签间的关联性。第一层采用典型的二元关联分类模型实现对实例的第一次分类,并与第二层进行标签信息的交互;第二层构建带有更新过程的链式分类模型,用链来传递和更新标签信息,实现分类信息的二次交互。其次,提出构建具有最大权重的标签生成树(MWTOS)算法,寻求标签优序,以解决链式分类模型因随机选择类标号序列对二值分类器进行训练而导致分类精度降低的问题。然后,提出基于双层结构的多标签优序选择分类(DLMOS)算法,该算法是一个汇集了三个框架模型:二元关联分类模型,链式分类模型,嵌套堆叠模型于一体,并携优化处理过程的分类模型。该模型在兼并DLMC和MWTOS优点的同时还解决了信息交冗余及缺失的问题。最后,构建了具有较强关联性的模拟数据集,使用已知的关联性数据去验证DLMOS算法处理标签关联性的能力。最后通过在基准数据集和模拟数据集上与相关算法作比较,验证算法的有效性。