El aprendizaje multi-etiqueta se ha convertido en un tema candente en los últimos años, atrayendo la atención de los académicos, incluyendo la aplicación del modelo de conjuntos aproximados en el aprendizaje multi-etiqueta. Los trabajos emocionantes que aplican el modelo de conjuntos aproximados en el aprendizaje multi-etiqueta suelen adaptar el propósito del modelo de conjuntos aproximados para una tabla de decisión única a una tabla de decisiones múltiples con una estrategia conservadora. Sin embargo, el aprendizaje multi-etiqueta impone el modelo de conjuntos aproximados que desea aplicarse considerando múltiples conceptos objetivo, y existe correlación de etiquetas entre las etiquetas de forma natural. Para esa propuesta, este artículo propone un modelo de conjuntos aproximados que tiene múltiples conceptos objetivo y considera las relaciones de similitud entre los conceptos objetivo para capturar la correlación de etiquetas entre las etiquetas. También se investigan las propiedades del modelo propuesto. El modelo de conjuntos aproximados que tiene múltiples conceptos objetivo puede manejar el conjunto de datos que tiene múltiples decisiones, y tiene ventajas inherentes cuando se aplica al aprendizaje multi-etiqueta. Además, consideramos cómo calcular las aproximaciones de GMTRSs en una situación estática y dinámica cuando se añade o se elimina un concepto objetivo y derivamos los algoritmos correspondientes, respectivamente. La eficiencia y validez de los algoritmos diseñados se verifican mediante experimentos.