传统的监督学习要求训练数据具有准确完备的标记信息,虽然监督学习在各类应用上取得了不错的效果,但是精确标注每个示例通常是困难且代价昂贵的。无监督学习使用没有标记的数据进行训练,不需要强监督信息,但是由于完全失去标记的指引,无监督学习的过程较为复杂且效果较难量化。弱监督学习使用标注不太精确的数据来构建预测模型,这种数据广泛存在于网络中,获取较易且更符合现实场景,因此受到了广泛关注。偏标记学习是弱监督学习框架中的一个重要分支,近年来成为热门研究方向。偏标记数据集中的每个示例与一组候选标记相关联,其中有且仅有一个标记是真实的,偏标记学习的目标是根据此数据集学习一个多类分类器。偏标记学习的难点主要有三方面:一是真实标记隐藏在候选标记集中,不能被算法直接获取利用;二是数据的特征空间通常存在噪声,会对模型产生负面影响;三是样本特征空间和标记空间之间的关系难以充分利用。基于以上分析,本文围绕偏标记学习展开深入研究,并提出以下两个创新点。为了更准确地揭示数据的内在流形结构,提出了一种融合先验知识的自适应图模型偏标记学习算法。该算法利用融合了先验标记知识的自适应图模型来构建更鲁棒的示例关系,并实现了更好的标记消歧性能。首先,利用标记空间的杰卡德相似系数来有效过滤k近邻中的不可靠示例,保证不共享任何公共候选标记的两个示例属于不同的类别。其次,融合了以上先验标记知识的自适应图模型同时优化相似度矩阵和标记置信度矩阵,更稳健地揭示了示例的内部结构。此外,考虑每个示例只有一个候选标记是真实的,判别项很好地保证了候选标记之间的互斥关系,扩大了可能标记和不太可能标记之间的差异。最后,多种数据集上的对比实验表明,该算法相对于其他现有算法具有优越性。为了消除数据中特征噪声和冗余标记信息的影响,提出了一种考虑噪声特征的偏标记学习算法,通过同时考虑噪声边信息和其他候选标记的贡献来提升消歧性能。首先,该算法引入一个低秩矩阵恢复模型来消除特征空间的噪声,利用自身线性重构原理将原始的特征矩阵分解为一个低秩的理想特征矩阵和一个稀疏的噪声特征矩阵,降低了特征噪声对算法的影响。其次,该算法引入标记置信度矩阵和潜在标记分布来强调其他候选标记的不同作用。考虑到特征空间中相似的示例倾向于拥有相似的标记空间,因此利用流形假设原理来探索理想特征矩阵与标记置信度矩阵的一致性,从而消除标记空间的冗余信息,识别出真实标记。最后,多种数据集上的对比实验表明,该算法具有很好的消歧效果。