在标准偏标记学习框架下,每个对象由单个特征向量进行刻画,同时与多个候选标记相关联,其中仅有一个未知的真实标记。另一方面,在真实世界问题中对象的性质往往更为复杂,每个对象拥有多源的特征表示并且未知的真实标记也并非唯一。一般而言,有效的特征表示能显著提升学习系统的泛化能力,而偏标记特征表示任务由于标记的真实信息未知而具有较高挑战性。本文针对偏标记场景下的特征表示及融合展开研究,主要包括以下两方面工作:一方面,针对单视图的偏标记训练数据,本文对偏标记降维进行了研究,提出了一种新的偏标记降维方法Delin。该方法通过赋予线性判别分析（LDA）技术处理偏标记训练示例的能力,以提升偏标记分类系统的泛化能力。具体来说,Delin基于候选标记的标记置信度,交替进行LDA降维和候选标记消歧。一方面,利用消歧后的标记置信度对LDA的投影矩阵进行优化;另一方面,在LDA导出的特征空间中使用k NN聚合来消除标记的歧义性。在人工合成与真实偏标记数据集上的实验结果表明,Delin可有效提升现有偏标记学习算法的泛化能力。另一方面,针对具有多视图以及复杂噪声的偏标记数据,提出了一种基于多视图特征融合的偏标记学习算法Fiman。首先,通过自适应融合不同视图特征向量传递的信息,刻画训练示例上的流形结构。然后,通过在标记空间中保留由特征空间诱导而来的流形结构消除训练示例的伪标记。最后,通过将模型输出与消歧后的标记信息进行拟合,学习得到预测模型。大量实验结果表明,Fiman方法可有效求解多视图场景下的偏标记学习问题。本文总共包括五个章节。第一章介绍偏标记学习的相关背景、研究现状以及有待解决的问题。第二章给出了单视图/多视图偏标记学习的形式化定义以及现有算法,并简要介绍经典的降维方法。第三章介绍偏标记降维算法Delin。第四章介绍多视图偏标记特征融合方法Fiman。第五章对全文内容作出总结。