針對(duì)目標(biāo)可以同時(shí)屬于多個(gè)類(lèi)別的多標(biāo)簽分類(lèi)問(wèn)題，提出了一種基于浮動(dòng)閾值分類(lèi)器組合的多標(biāo)簽分類(lèi)算法。首先，分析探討了基于浮動(dòng)閾值分類(lèi)器的AdaBoost算法（AdaBoost. FT）的原理及錯(cuò)誤率估計(jì)，證明了該算法能克服固定分段閾值分類(lèi)器對(duì)分類(lèi)邊界附近點(diǎn)分類(lèi)不穩(wěn)定的缺點(diǎn)從而提高分類(lèi)準(zhǔn)確率；然后，采用二分類(lèi)（BR）方法將該單標(biāo)簽學(xué)習(xí)算法應(yīng)用于多標(biāo)簽分類(lèi)問(wèn)題，得到基于浮動(dòng)閾值分類(lèi)器組合的多標(biāo)簽分類(lèi)方法，即多標(biāo)簽AdaBoost．FT。實(shí)驗(yàn)結(jié)果表明，所提算法的平均分類(lèi)精度在Emotions數(shù)據(jù)集上比AdaBoost．MH、ML-kNN、RankSVM這3種算法分別提高約4%、8%、11%；在Scene、Yeast數(shù)據(jù)集上僅比RankSVM低約3%、1%。由實(shí)驗(yàn)分析可知，在不同類(lèi)別標(biāo)記之間基本沒(méi)有關(guān)聯(lián)關(guān)系或標(biāo)簽數(shù)目較少的數(shù)據(jù)集上，該算法均能得到較好的分類(lèi)效果。