多标记学习是传统机器学习任务的一种框架,在多标记学习任务中,一个对象往往同时与多个语义标记相关联。现实场景下,精准标记信息很难获得,研究样本的监督信息往往存在缺失、有噪声、不准确等问题,因此弱监督框架下的多标记学习近年来受到广泛关注。现有弱监督多标记学习算法主要集中于研究三类问题:第一类是标记缺失问题,在此类问题中,研究示例的标记信息仅存在缺失,而不存在冗余噪声问题;第二类是标记冗余问题,此类算法重点关注研究示例的标记信息完整但存在标记冗余的问题;第三类是特征缺失问题,相关算法主要研究特征缺失下的多标记学习问题,其中一部分算法关注特征与标记信息同时有缺失情况下的多标记学习问题。然而实际应用中,人们为样本标注时会不可避免地出现漏标、错标、多标的情况,因此标记缺失与冗余标记更有可能同时存在于研究示例的标记信息中,但很少有算法关注此类问题。同时,遮挡、光照影响和低分辨率等因素导致所获得的示例特征往往是有噪声的,而不仅仅是特征缺失,这可能会降低现有学习模型的鲁棒性。针对上述两个不同的研究难点问题,本文分别对应提出了两个弱监督多标记学习算法。基于代价敏感标记排序的弱监督多标记学习算法。该算法针对第一类与第二类问题,即标记缺失与噪声标记同时存在于标记信息中的问题,在填充缺失标记的同时去除噪声标记。与需预先给定指示矩阵的大多数现有研究不同,该算法无需提前给定指示矩阵来标定缺失或冗余标记的位置,而是通过标记置信度来反映标记与其对应示例间的相关性,通过代价敏感的排序损失来对每个示例与所有标记(包括缺失与冗余标记)的相关性进行排序。此外,为充分利用特征空间与标记空间的相关性,该算法利用矩阵低秩表示与稀疏约束反映特征空间与标记空间、标记间的相关性和噪声标记信息的特性,提升模型的鲁棒性与泛化性能。大量实验表明了该算法在处理标记缺失与冗余标记同时存在的问题时具有明显的优势。基于矩阵低秩与稀疏约束的弱监督多标记学习算法。该算法针对第二类与第三类问题,即噪声特征与标记缺失同时存在的问题,首先将获取到的特征信息分解为理想化的特征矩阵与噪声矩阵,同时,基于相似示例具有相似视觉特征的考虑,将理想化特征矩阵约束为低秩矩阵,并根据噪声信息的稀疏特性,该模型假设噪声矩阵稀疏。此外,该算法采用线性自恢复模型来重构存在缺失的标记信息,同时可反映标记空间的相关性,保持标记相关矩阵低秩特性。该算法利用分解后的理想化特征矩阵与重构后的标记矩阵对模型进行训练,有利于提高模型的泛化性能。大量实验表明本算法泛化性能良好,针对上述问题具有很好的鲁棒性。