在传统多标记学习算法中,用于训练的数据集中的每个样本被精确标注了多个相关标记,但由于近年来数据量急剧增长,精确数据集在现实情况中很难获取。现有的多标记学习算法对于不精确数据集的考虑通常是针对标记缺失的情况,然而在很多情况下数据集中的一个样本只是被大致分配了一组标记,该组标记中除相关标记以外还有一些不相关的噪声标记。为了解决多标记学习中的标记冗余问题,近年来提出了一个新的学习框架,即偏多标记学习框架。偏多标记学习框架的定义中,每个样本包含一组候选标记集,候选标记集中包含全部的真实相关标记,数量未知但至少一个,以及一部分噪声标记,偏多标记学习的任务就是利用冗余标记数据集学习得到一个准确的标记预测模型。偏多标记学习难点主要在两个方面,一是训练数据集本身是存在噪声标记的,模型训练过程中要考虑到噪声标记对模型准确度的影响,二是样本特征数据通常也含有噪声,比如在图像语义理解中,由于图像的遮挡、模糊、光照等影响导致的特征噪声,其在训练过程中同样会对模型预测产生负面影响。基于以上两点,本文提出了两种可以应用在图像语义理解方向上的偏多标记学习算法。基于多子空间表示的偏多标记图像语义理解算法。该方法在训练过程中综合考虑了训练数据集中的冗余候选标记和噪声特征在模型的训练过程中的影响。首先,初始存在噪声的标记空间被分解成一个低维标记子空间和一个标记相关性矩阵,用以减少候选标记集中噪声标记的对预测模型的影响。然后利用样本特征间的相关性将初始含有噪声的样本特征映射到一个低维特征子空间,以减少样本噪声特征对预测模型的影响。最后引入图拉普拉斯正则项来约束标记子空间,以保持其与特征之间的内在结构一致性,同时对特征之间的相关性施加正交性约束以保证特征子空间的区分度。在不同数据集上进行的大量实验证明了该偏多标记学习算法在包括图像语义理解的多方领域中都具有优越性。基于共享特征的多视图偏多标记图像语义理解算法。该方法在训练过程中充分考虑训练集中的多视图中部分视图特征缺失在模型训练过程中的影响。首先,利用缺失视图特征指示矩阵对每个视图特征矩阵进行分解,得到一个共享视图矩阵。然后将初始存在噪声的标记矩阵分解成一个低秩的精确标记矩阵和一个稀疏的噪声标记矩阵,使用精确标记矩阵进行模型的训练消除噪声标记影响。最后引入图拉普拉斯正则项来约束精确标记矩阵和视图特征矩阵,以保证特征和标记之间的内在结构一致性并对系数矩阵引入低秩约束。在不同数据集上进行的大量实验证明了该方法在多视图偏多标记学习以及图像语义理解应用中具有优越性。