众包(又称人计算、群众智慧)是指公司企业通过公开的方式将任务分发外包给不确定的(一般是大量的)人群。人们相信“多数人的智慧”远远要比个人的判断更为准确。大量的众包平台将任务分发给注册工作者,然后根据标注的数据付相应的工资。在众包分发系统中,对于众包分类数据进行质量评估与控制的模型起着关键的作用。最直观的众包数据质量控制模型就是多数人投票,即将被选中最多的答案标记为正确答案。但这类方法没有考虑到不同实体以及不同工作者之间的差异。本文注意到了这些方法在应用解决实际问题时,假设不同的数据点拥有相同的优先级,这导致该类模型以等概率的方式选择学习工作者的可信度以及实体的标注难度,在标注数据稀疏的情况下,很容易由于少数质量低的标注样本点而影响全局的数据学习。因此,本文提出了基于自步学习的众包分类数据质量控制模型,引入了基于先验以及模型学习情况的样本选择策略,从而引导模型由易到难的选择性学习样本,最终学习完整的数据。在本文中,我们同时从数据本身先验知识以及学习过程中模型情况两个方面定义了质量控制模型中“简单”的概念。此外,本文还从概率图生成模型的角度解释了众包分类数据中自步学习引入的意义以及参数选取的方法。本文在人工数据集和真实数据集上的实验结果表明,本文所提出的框架对比未引入自步学习过程的传统模型有着显著的提升,能够获得更高的准确率。