自从计算机技术得到长足发展,人类获取和存储信息的能力快速增强。这些信息来源复杂,且常常包含着噪声信息和大量冗余信息,利用这些复杂的信息建立可靠的模型一直是机器学习的热点。针对标签噪声问题,rNDA算法将翻转概率引入普通判别分析中,得到能够处理标签噪声的鲁棒判别分析算法。对信息来源复杂,即输入特征不能用单一分布来描述的问题,考虑把高斯有限混合模型引入rNDA算法,提出一种针对标签噪声的基于高斯有限混合模型的鲁棒判别分析算法。最后实验表明提出的基于高斯有限混合模型的鲁棒判别分析算法有较好的分类性能,性能与原始的NDA算法和rNDA算法相比有提高。高斯有限混合模型需要提前指定混合组分个数,若指定的混合组分个数不适当会影响混合模型的分类性能。针对该问题,引入狄利克雷过程,在对组分进行抽样时,自适应地解决混合组分个数确定问题。针对输入特征的噪声信息和冗余信息,将深度学习中的Dropout方法应用到LDA算法中,利用Dropout方法选择特征子集这一特点,提出一种基于Dropout特征选择的LDA集成分类算法。实验证明,这种基于Dropout的算法对分类性能有显著提升,且在含标签噪声的数据集上也有很突出的表现。