弱標(biāo)記學(xué)習(xí)是多標(biāo)記學(xué)習(xí)的一個(gè)重要分支，近幾年已被廣泛研究并被應(yīng)用于多標(biāo)記樣本的缺失標(biāo)記補(bǔ)全和預(yù)測(cè)等問(wèn)題．然而，針對(duì)特征集合較大、更容易擁有多個(gè)語(yǔ)義標(biāo)記和出現(xiàn)標(biāo)記缺失的高維數(shù)據(jù)問(wèn)題，現(xiàn)有弱標(biāo)記學(xué)習(xí)方法普遍易受這類(lèi)數(shù)據(jù)包含的噪聲和冗余特征的干擾．為了對(duì)高維多標(biāo)記數(shù)據(jù)進(jìn)行準(zhǔn)確的分類(lèi)。提出了一種基于標(biāo)記與特征依賴最大化的弱標(biāo)記集成分類(lèi)方法EnWL.EnWL首先在高維數(shù)據(jù)的特征空間多次利用近鄰傳播聚類(lèi)方法，每次選擇聚類(lèi)中心構(gòu)成具有代表性的特征子集，降低噪聲和冗余特征的干擾；再在每個(gè)特征子集上訓(xùn)練一個(gè)基于標(biāo)記與特征依賴最大化的半監(jiān)督多標(biāo)記分類(lèi)器；最后，通過(guò)投票集成這些分類(lèi)器實(shí)現(xiàn)多標(biāo)記分類(lèi)．在多種高維數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明。EnWL在多種評(píng)價(jià)度量上的預(yù)測(cè)性能均優(yōu)于已有相關(guān)方法。