近年来,多标签学习在文本分类、图像识别以及生物信息学等多个领域受到广泛关注。目前多标签学习关注的主要问题包括标签关联性以及标签复杂度,而分类器链方法是一种兼顾标签关联性与复杂度的方法。这种链式方法所考虑的标签关联性是一种高阶的关联性,并且它在拥有线性复杂度的同时还具有良好的灵活性。但是其容易产生链序问题,从而导致预测结果不稳定的问题。梯度提升是一种传统单标签机器学习集成方法,其可以自动关注错分样本,提高分类精度。基于此,本文采用了梯度提升的思想来对分类器链方法进行了改进,着重解决了链序问题,提升分类精度的同时保持分类器链算法的简单灵活性。同时,结合标签降维算法提出一种基于局部标签关联的改进GBCC算法。本文的主要研究工作如下:1.为了解决分类器链算法预测性能不足以及链序问题,本文提出了一种适用于多标签的梯度提升方法。首先,该模型将梯度提升方法引入传统的多标签分类器链方法中形成一种新的层次结构。其通过前后层次之间的特征传递以及标签传递,建立起高阶标签关联性的同时解决链序问题,提升分类精度与算法稳定性。其次,在层次间传递信息的过程中,通过计算标签置信度与误差评价分数构建起一种预剪枝策略,以起到模型剪枝与防止模型过度拟合的作用。2.为了进一步提升算法的效率,结合一种标签空间的平衡聚类法以及基于局部标签信息增益率的特征选择方法,提出一种基于局部标签关联的改进分类器链算法。首先,针对标签集合进行标签空间的平衡聚类,将一个整体的大任务划分成多个小任务,加速训练,并提高了算法的可并行特性。然后,在局部标签集合上对特征空间进行基于局部标签信息增益率的特征选择,提高集成算法的异构性,进一步加速模型训练。