中文摘要：

多标签分类是指样本可以同时属于多个类别（或标签）的模式识别问题，其训练样本集包含着样本向量之间的相关信息、样本向量与标签之间的一对多映射关系及标签之间的相关信息。本项目利用核、正则化与多目标优化技术将这些信息融合到新的多标签分类算法。提出带零标签的高效多标签支持向量机，其训练速度在Yeast数据集上比著名的Rank-SVM算法快11倍以上，且不需要额外的线性回归阈值函数。利用样本的标签相关性，提出扩展的一对多多标签支持向量机来改善原始对应算法的性能。基于多目标进化优化算法NSGAII，构建基于双目标优化的多标签分类核算法。在数据集一对一分解后，保留子集中的双标签样本来刻画成对标签之间的相关性，构造双标签支持向量机与最小二乘支持向量机，然后提出两个基于一对一分解的多标签分类算法。综合逐类分解技术与支持向量数据描述算法，建立最快速的多标签核算法。为了反映样本集的样本多样性，提出带自适应权值估计的加权k近邻多标签算法。构造两个生物学应用的新多标签数据集。提供部分软件与数据集的下载，供国内外学者使用。本项目的研究使我们更好地理解和处理多标签问题，进一步拓展了模式识别理论与应用。