امروزه با افزایش حجم داده ها امکان جمع آوری و دسته بندی سریع داده ها توسط انسان غیرممکن شده است و نیاز به دسته بندی و تحلیل دادها به صورت خودکار از جایگاه ویژه ای برخوردار است. دسته بندی داده ها عملیاتی است که ابتدا، طی یک فرایند ، نمونه های آموزشی به همراه برچسب آن ها به یک عامل یادگیر داده می شود تا ارتباط بین نمونه ها و برچسب ها را یاد بگیرد و سپس برچسب داده های آموزشی را پیش بینی کند. از طرفی، داده های چند برچسبی داده هایی هستند که هر نمونه در هرلحظه می تواند بیش از یک برچسب داشته باشد. به عبارت دیگر هر نمونه همراه با یک بردار از برچسب ها نمایش داده می شود. روش های دسته بندی چندبرچسبی برحسب ماهیت عملکردشان به دودسته کلی تقسیم می شوند: روش های تبدیل مسئله، که در ابتدا مسئله را به یک یا چند مسئله با ماهیت تک برچسبی تبدیل می کنند و سپس از روش-های کلاسیک دسته بندی استفاده می کنند، و روش های تطبیقی، که توسعه ای بر روش های کلاسیک دسته-بندی می باشند به طوری که مستقیماً می توانند داده ها چند برچسبی را دسته بندی نمایند. در این پژوهش ضمن معرفی روش ها و رویکرد های دسته بندی چندبرچسبی، یک روش تطبیقی مبتنی بر شبکه نروفازی را برای دسته بندی داده های چندبرچسبی ارائه می دهیم. آزمایش های صورت گرفته بروی سه تا از مهمترین مجموعه داده های چندبرچسبی، حاکی از کارایی بالاتر روش پیشنهادی در دسته بندی داده ها و زمان آموزش کمتر نسبت به سایر روش های مبتنی بر شبکه عصبی می باشد.