امروزه با افزایش حجم داده¬ها، امکان جمع آوری و طبقه بندی سریع داده¬ها توسط انسان غیرممکن شده است و نیاز به طبقه بندی و تحلیل خودکار از جایگاه ویژه¬ای برخوردار است. در طبقه¬بندی داده¬ها، ابتدا طی یک فرآیند نمونه¬های آموزشی به همراه برچسب¬های آن¬ها به یک الگوریتم یادگیری داده می¬شود تا ارتباط بین نمونه¬ها و برچسب¬ها را یاد بگیرد و سپس برچسب داده¬های آزمایشی را پیش بینی کند. داده¬های چند برچسبی داده¬هایی هستند که در آن نمونه¬ها می-توانند بیش از یک برچسب کلاس داشته باشند، به عبارت دیگر هر نمونه توسط یک مجموعه از برچسب¬ها نمایش داده¬ها می¬شود. در این پایان¬نامه، ما روش ماشین بردار پشتیبان ساختاری را با ماشین بردار پشتیبان چند برچسبی برای ایجاد یک طبقه¬بند داده¬های چند برچسبی ترکیب می¬کنیم و به عنوان یک قالب بهینه¬سازی یکسان با ماشین بردار پشتیبان ساختاری دودویی توصیف می¬کنیم. این روش از دو مرحله تشکیل شده است؛ مرحله اول شامل خوشه بندی داده¬ها است که کمک می¬کند مرز تصمیم بهتر نسبت به ماشین بردار پشتیبان استاندارد داشته باشیم و مرحله دوم فرآیند یادگیری است که همانند ماشین بردار پشتیبان می¬باشد. با ارزیابی روش پیشنهادی بر روی مجموعه داده¬های موجود در مقایسه با روش¬های موجود، به این نتیجه می¬رسیم که از لحاظ دقت و صحت پیش-بینی از کارایی بهتری برخوردار است.