在机器学习领域中,对数据进行准确分类是一个重要的步骤,类别分得越精准,得到的结果就越有价值。分类算法旨在从标签已知的样本中提取隐含知识,从而创建一个被称为分类器的模型,以预测标签未知样本的类别。分类准确率受到构建分类器的样本影响,然而,现实世界中的数据集普遍含有标签噪声,标签噪声会使分类器的泛化能力下降、增加分类器复杂度以及造成频率失真,因此要想达到良好的分类效果,需要对标签噪声进行处理。本文通过运用多粒度思想,提出了两种基于多粒度的标签噪声检测方法,并进行了实验以证明它们的有效性。最后将这两种方法集成到了基于多粒度的标签噪声检测系统之中。本文的具体工作总结如下:第一,受相对密度方法启发,提出了基于多粒度的相对密度噪声检测方法。首先定义了更简洁高效的质心相对密度方法,分别计算每个样本到其同类质心和异类质心的距离,即可求出质心相对密度值,优化了算法的运行时间。其次,利用聚类的粒化技术将粒计算引入到质心相对密度方法中,从整体上考察了样本是否为标签噪声。实验表明该方法可以有效检测小数据集中的标签噪声。第二,受随机空间划分启发,提出了基于多粒度的随机空间划分噪声检测方法。首先建立了节点带标签的完全随机树,并且在随机空间划分后的结果中,运用多粒度思想,将叶子节点与其父节点看作子粒度空间和父粒度空间,利用两个空间信息比较分析了样本所属类别,从整体上考察了样本是否为标签噪声。实验表明该方法可以有效检测标签噪声。第三,设计并实现了一个基于多粒度的标签噪声检测系统。系统界面简洁、操作简单,便于专业人员参考。