作为基于传统监督学习和非监督学习之间的一种全新学习框架，多示例学习的主要任务是将一些包含多个示例的训练包分类。但是与传统监督学习不同是，在多示例学习中，训练样本并没有给出包中的示例的标记，而是仅仅给出了每个包的分类。因此，多示例学习要比传统的监督学习困难很多。本文根据多示例学习的数据特征，提出了一种基于k近邻算法的多示例学习算法，并且在基准数据集Musk上的实验结果显示该算法比以往的算法结果有明显的改善。此外，考察Musky数据，我们可以看到在所有166个属性中并不是所有的属性对于示例的分类具有相同的重要性，相反，有些属性和示例类别的关系并不大或者甚至是无关的，一个解决的办法就是使用一个在示例空间上变化的值伸展坐标轴，这里我们可以用不同属性的相关性的大小作为权值来伸展坐标轴。因此本文还考察了k近邻学习算法能否通过属性的选择产生更好的结果，结果显示通过特征选择使得原有算法的准确性得到了进一步的提高。最后，本文还同时对其它传统算法进行了考察，如人工神经网络中的径向基网络等，并且进行广泛的实验，用多示例学习界国际通行的基准数据对新算法的结果进行考察，取得了较好的结果。