針對目標可以同時屬于多個類別的多標簽分類問題，提出了一種基于浮動閾值分類器組合的多標簽分類算法。首先，分析探討了基于浮動閾值分類器的AdaBoost算法（AdaBoost. FT）的原理及錯誤率估計，證明了該算法能克服固定分段閾值分類器對分類邊界附近點分類不穩(wěn)定的缺點從而提高分類準確率；然后，采用二分類（BR）方法將該單標簽學習算法應用于多標簽分類問題，得到基于浮動閾值分類器組合的多標簽分類方法，即多標簽AdaBoost．FT。實驗結果表明，所提算法的平均分類精度在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%。由實驗分析可知，在不同類別標記之間基本沒有關聯(lián)關系或標簽數(shù)目較少的數(shù)據(jù)集上，該算法均能得到較好的分類效果。