半监督偏标记学习结合了两种困难的学习范式,一种是半监督学习,另一种是偏标记学习。由于互联网技术的发展,数据量急剧增加,很难获得准确的数据集。通常情况下,一个示例只与一组标签大致匹配,而大多数数据没有标签。由于传统的学习算法在不准确标记的数据集上的泛化性能较低,所以近年来提出了一种新的学习框架,即半监督偏标记学习框架。但是,半监督偏标记学习的解决方案中依旧存在一些问题,比如:半监督偏标记算法（SSPL）忽略了偏标记样本的候选标签集中的噪声会污染未标记样本;基于置信度边际最大化的半监督偏标记学习算法（PARM）在处理高维特征数据时,存在计算成本高的问题。本文的贡献主要包括以下两部分:（1）研究了基于注意力机制的半监督偏标记学习算法在网络图像分类的应用。本文提出了基于注意力机制的半监督偏标记标签学习算法（ASSPL）。该方法尝试将注意力机制引入半监督偏标记算法中,利用注意力更全面地考虑了样本的分布,以更好地进行标签的传播和分类,从而获得更准确的分类结果。所提出算法的贡献包括:将注意力机制引入半监督偏标记学习中,为半监督偏标记学习提供了一种新的思路;ASSPL是一种基于注意力机制的标签传播方法;实验验证了该方法在网络图像识别中的有效性。（2）研究了基于可靠标签传播的半监督偏标记学习算法。本文提出了基于可靠标签传播的半监督偏标记学习算法（See PLL）。现存的算法没有考虑到消歧义的效果很大程度上受到候选标签集的假阳性标签的影响。候选标签集中的假阳性标签除了真实标签外,其本质是噪声。在迭代过程中,被识别的真实标签可能成为假阳性标签,而真实标签的建模输出将被假阳性标签所淹没。基于这种情况,提出了一种基于可靠标签传播的半监督偏标记学习算法,可以更好地利用未标签数据,减少偏标记中标签集噪声的影响,提高算法的预测精度。所提出算法的贡献包括:See PLL将消歧的可靠标签传播到未标记数据集,使未标记数据得到更准确的标注;See PLL减少模型参数以在嘈杂的数据集上呈现稳健的性能;See PLL提供了一个优化的解决方案,适应符合现实世界的应用场景。在真实数据集上的实验结果验证了该算法的有效性。