多示例学习作为一种新的机器学习方法近年来受到越来越多研究者的关注。在多示例学习问题中,训练集是由多个正包和负包构成的,每个包又是由若干个示例构成的,且每个正包中至少有一个正标签示例,负包中的示例则全部都是由负标签示例构成的。多示例学习的提出是用于解决包的分类问题的,通过分析训练样本集（包）来去区分预测未知包的标签。本文主要提出了一种基于多示例的字典学习算法（SMIDL）,SMIDL将字典学习、转换表示结合在基于相似度的多示例学习中以得到统一的学习模型。由于多示例学习的特性,训练集的每个正包中至少有一个正标签示例,且每个包中的单个示例标签通常是难以确定的,对于正包中难以确定标签的示例,我们首先从训练集的每个正包中选择一个最可能为正标签的候选示例,对于正包中其余未被选定的模糊示例,我们生成两个相似度权重来分别表示它对于正类和负类的相似度。之后,多示例数据集经过字典学习和转换字典学习被重新表示,被重新表示的数据集结合未被挑选的模糊示例及其相似度权重一同进入学习阶段去构建基于铰链损失函数的分类器。在字典学习阶段,对稀疏编码系数采用的是_2,1-范数约束,而不是使用耗时的₀-范数或₁-范数约束,相比于₀-范数和₁-范数约束,_2,1-范数约束不仅可以保证稀疏编码按行的稀疏性,而且在训练阶段是非常简便有效的。转换字典学习通过最小化重构误差获得,并且转换字典可以将输入示例数据与稀疏编码连接。为了解决所提出的基于多示例的字典学习模型,分类误差项应该被最小化,但是它与铰链损失函数中的最大化问题相耦合,因此引入松弛变量来表示铰链损失函数中的最大化变量问题。之后我们将字典学习模型、转换字典学习模型和分类器模型结合到一个统一的模型中一同去学习,最后通过一种交互式的迭代框架来对模型进行求解以获得预测分类器模型。在多示例学习数据集上的实验结果表明,我们所提出的多示例字典学习方法比对比的多示例学习方法、多示例字典学习方法具有更好的分类性能和较低的标签噪声敏感度。