多标签分类问题,是指多标签数据集的样本可以同时属于不同的类,类之间既可能相互重叠,又可能相互排斥。参数的设置是否最优对多标签分类算法的性能有一定的影响,而基于多目标优化的多标签分类算法参数调谐,就是使用多目标进化算法对多标签分类算法的参数进行调谐。本文主要是研究多目标进化算法对多标签分类算法参数的调谐问题。本文首次对多标签分类算法的性能评价准则(汉明损失和排序损失)进行相关性分析和理论分析,得出两者有一定的弱相关性与排斥性的结论后,将两个评价准则作为多目标遗传算法NSGA-II优化的目标函数,利用多目标遗传算法NSGA-II的强大的随机搜索解集和跳出局部最优的能力迅速找到全局最优解,从而达到对多标签分类算法参数进行调谐的目的。该方法不仅改变了传统的参数搜索方式,而且还缩短参数搜索的时间。本文选择一对多k近邻法OVR-kNN、多标签k近邻法ML-kNN和一对多支持向量机OVR-SVM三个多标签分类算法作为我们的研究对象,采用常用的多标签分类算法的评价准则,在图像、场景、情感、邮件、酵母菌、基因、人类、植物、语言日志和医学十个公开的基准数据集上进行实验。首先我们研究了多标签分类算法的参数与性能之间的关系,其次作图描绘了多目标优化的遗传算法对多标签分类算法参数调谐的详细过程,最后将我们基于多目标优化的参数调谐方法与传统的网格搜索方法在性能和时间进行对比,对评价准则进行排名,结论表明我们的算法在不同的数据集上,在时间上优于传统的网格搜索方法,在性能上也表现良好。