在传统的多标记学习框架中,通常假设用于训练的数据集中的每个示例都包含所有被精确标注的相关标签,但是由于实际应用中数据量的急剧增长,精确标注难以实现并且成本较高,最终获取的标签信息大多都含有噪声,偏多标记学习成为热点研究问题。在偏多标记学习框架的定义中,每个样本的候选标记集包含至少一个但数量未知的真实标记,以及部分噪声标记。偏多标记学习的主要任务是利用含有冗余标记的候选标记集合训练预测模型,筛选得到示例的真实标签。偏多标记学习的主要难点在于如何克服训练数据中错误标记带来的模型训练的偏置问题。近年来,多视图学习开始和偏多标记学习任务结合进行处理,目前仅有少量多视图偏多标记学习算法被提出,并且均基于完备视图的假设而设计。然而,由于多视图数据采集的困难性,在实际应用中某些视图可能不包含完整的特征信息,缺失视图的存在会影响传统偏多标记学习算法的性能。为解决该问题,本文首次提出了一种缺失视图下的多视图偏多标记学习框架,并且针对该框架分别提出了两种偏多标记学习算法。为了更好的利用含有缺失视图的多视图数据语义信息,本文提出了一个视图缺失下的多视图偏多标记学习算法。该算法在训练过程中利用不完备多视图特征表示,以及引入低秩稀疏分解去除噪声标签。具体来说,首先从异构不完备视图中学习获取共享子空间;其次,利用低秩稀疏分解获得真实标签;之后,引入图拉普拉斯正则化来约束真实标签,并对特征子空间之间的相关性施加正交性约束;最后,通过共享子空间和消歧后的标签学习预测模型。大量的实验结果表明,该方法在解决缺失视图下的多视图偏多标记学习问题上具有优越性。为了修复缺失的多视图信息,本文提出了一个基于特征补全的不完备多视图偏多标记学习算法。该算法在训练过程中设计模型以补全缺失视图,并学习所有视图的相似度图,同时利用低秩稀疏分解去除噪声标签。具体来说,该算法首先设计了一种新的地址表示模型,以实现缺失视图的补全,从而得到完备的多视图数据,之后,通过自表示方法学习得到所有视图上特征的相似性矩阵,最后引入7)1范数正则化约束视图补全噪声和标记噪声。在多种多视图数据集上设计大量实验,实验结果证明该方法在缺失视图下的多视图偏多标记学习中具有较好的性能。