随着多标签学习方法在多个领域的广泛应用,对多标签数据进行准确的分类,已成为研究多标签学习方法的重要课题之一。对于多标签数据来说,互联网的快速发展使得获取未标注的数据变得十分方便,但是想要获取已标注的多标签数据需要花费大量的时间和金钱。对此,本文充分利用少量已标注样本和大量未标记样本,提出了基于不完全监督的多标签分类算法。根据实现不完全监督学习的两种主要方式,本文将所提出的算法分为:基于主动学习的多标签分类算法和基于主动半监督学习的多标签分类算法。基于主动学习的多标签分类算法,首先根据多标签间的相互联系,利用陆地移动距离构建一个非对称的多标签间相关性矩阵;再将二元信源的熵与多标签间相关性矩阵相结合的方法计算样本标签对的信息含量,并以此作为主动学习的采样标准;最终将选取的样本交给人类专家进行标注,迭代地完成主动学习过程。此算法在考虑多标签间相互关系的同时也考虑了已标注数据和未标注数据所包含的信息,进一步提高了分类器对于多标签数据的分类性能。基于主动半监督学习的多标签分类算法,是在基于主动学习的多标签分类算法的基础上为了进一步提高算法的分类效率,而加入半监督学习自动的进行选择和标注未分类的多标签数据。算法中采用的半监督学习策略包括基于模糊粗糙集中有序加权平均算子的分类算法、基于支持向量机的半监督分类算法和基于半监督近邻的分类算法。此算法在一次迭代中同时进行主动学习的人工标注和半监督学习的自动标注,进一步提高了多标签分类器的分类效率。本文所提出的基于不完全监督的两种多标签分类算法与其他七种多标签分类算法在三个多标签数据集上针对四种评价指标进行了对比实验。实验结果表明,新提出的两种分类算法在分类性能上较其它传统多标签分类算法和较新提出的分类算法都有进一步的提升。