由于目前常见的多标签数据如图像、基因、音乐、文本等都是数值型的数据，因此使用聚类的方法对它们进行多标签学习分类取得了较好的效果。但是，聚类的算法必须涉及到示例间距离的计算，而多标签数据一般都是高维的海量数据，因此在聚类过程中的示例间距离的计算将是一个非常耗时的过程，特别是在计算欧几里德距离时，还要计算平方和后开平方根。通过研究多标签学习的算法发现，ML-KNN与ML-RBF是目前效果较好的基于聚类的两种多标签学习算法，无论在效率与分类效果上都比其他方法好。　　为了提高多标签学习的性能，解决多标签学习数据集维数太高影响学习效果以及学习时间开销太大等问题，在进行多标签学习前，先对大规模高维数据进行降维是非常有必要的。本文提出一种基于随机投影的多标签降维算法(Multi-Label RandomDimension Algorithm based on Random Proiection，MLRDA-RP)，将基于距离的多标签学习方法与随机投影结合起来，用随机投影的方法对多标签学习数据先进行降维的数据预处理，再将降维预处理后的多标签数据应用于基于距离的多标签学习，最后对降维后的数据进行学习与预测，从而对多标签学习进行优化。　　最后，本文对两个基准数据集自然场景分类数据集和酵母基因功能类别数据集对MLRDA-RP算法进行实验，将经过随机投影预处理数据后进行的多标签学习和未经数据处理的多标签学习，分别从聚类效果、时间性能、分类效果以及整体性能几个方面进行分析比较。通过将本算法与ML-KNN和ML-RBF这两种基于聚类型的多标签学习进行分析对比。实验结果表明，多标签数据通过随机投影降维处理后进行的多标签学习，不仅在训练阶段的时间性能有明显提高，而且分类准确率基本保持不变，有些甚至当降维百分比达60％，不仅分类准确率基本保持不变，甚至比原数据集还要高。