近年来，长尾学习（long-tailed learning）受到了越来越多的关注。长尾多标签图像分类作为其一个重要子任务，仍面临巨大挑战且研究相对不足。本文从概率视角提出了一种全新的解决方案。具体而言，我们发现现有的针对长尾多标签分类的代价敏感学习方法在训练过程中会不同程度地影响正负标签的预测概率，而不同的概率演化过程又将直接影响最终的模型性能。为此，我们提出了一种概率引导的损失函数（probability-guided loss），该损失函数包含两个组成部分，用于调控这一概率演化过程：其一是概率再平衡机制，可灵活调节训练过程中概率的分布；其二是自适应概率感知焦点损失（adaptive probability-aware focal loss），能够进一步缩小正负标签之间的概率差距。我们在两个长尾多标签图像分类数据集（VOC-LT 和 COCO-LT）上进行了大量实验，结果充分验证了所提方法的合理性与优越性。