虽然深度模型在许多应用方面获得了优异的泛化性能,但这些深度模型严重依赖于准确标注的大规模训练集。在训练集存在标签噪声的情况下,这些深度模型的泛化性能受到了严重的威胁和挑战。本文深入研究了标签噪声下多分类的鲁棒损失函数设计、深度模型在标签噪声下的收敛路径、鲁棒的学习算法以及解决标签噪声的补标签学习,并提出了相应的解决方法。具体地,本文主要研究工作和创新点如下:（1）针对如何把理论上具有标签噪声鲁棒性的二分类损失函数用于解决标签噪声下的多分类任务这一问题,本文采用类别间隔最大化策略构建多分类模型的目标损失,即将标签所在的输出作为正类,其他输出作为负类来构建目标损失。然后,利用Pairwise-comparison（PC）和One-versus-all（OVA）技术把理论上能够抵抗标签噪声的二分类损失函数用于解决标签噪声下多分类的任务,并基于现有的理论基础证明了该方法在理论上的可靠性和可行性。实验结果表明,本文设计的方法具有良好的抗噪声能力,并超越了当前先进的同类方法。（2）针对标签噪声下的深度模型学习过程不透明这一问题,本文通过深入的理论分析和推导,从理论证明了任意损失函数均可学习到标签噪声训练集对应的最优模型,并给出了深度模型在标签噪声训练集下的一般收敛路径。此外,在本文证明的理论基础上设计了一个标签更新方法,使得任意损失函数均可在有标签噪声的训练集下学习到对应的最优模型。实验结果表明该方法比其他方法具有明显的优势和性能提升。（3）针对深度模型容易过度拟合训练集的错误标签这一问题,本文设计了一个动态标签学习算法来训练深度模型,该算法可以利用大量为传统深度学习设计的损失函数进行标签噪声学习,甚至是交叉熵损失函数（CCE,被证明在传统深度学习算法下不具备标签噪声鲁棒性）。然后,本文从理论上证明所提出的动态标签算法具有良好的噪声鲁棒性,能在有噪声的训练集中有效地收敛到最优模型,更重要的是该算法的鲁棒性不依赖于损失函数和标签分布。此外,本文深入分析了在带标签噪声的训练集下,动态标签学习算法的收敛过程以及模型的性能表现,清晰地解释了该算法对标签噪声的鲁棒性和分类器一致性。实验结果不仅验证了本文对该方法的理论分析的正确性,还表明了本文设计的动态标签学习算法明显优于当前标签噪声学习的其他先进算法。同时,也表明该算法具有良好的鲁棒性、扩展性和通用性。（4）当前研究表明标签噪声学习问题可以转化为补标签学习来解决。然而,目前解决补标签学习主要是设计特定的目标损失函数来学习深度模型,大量为普通标签学习设计的损失函数尚不能有效地用于解决补标签学习问题。针对该问题,本文深入研究补标签的特性及现有的理论成果,设计了通用的补标签学习目标函数并从理论上证明了任意损失函数在该目标函数下均可用于补标签学习,同时指出如何利用相应的验证集进行模型选择。实验结果充分验证了本文的理论分析的正确性和该方法相对于当前优秀算法的优越性。（5）针对如何保证补标签学习与普通标签学习的分类器一致性问题,本文首先为补标签学习设计了一个通用的目标损失函数,该目标损失函数能利用为普通标签学习设计的损失函数来训练补标签下的模型。然后,给出了损失函数在该通用目标函数下进行补标签学习具有分类器一致性的两个充分条件,以及不具有分类器一致性的损失函数的一般形式,同时深入分析了不同损失函数在补标签学习中的泛化性能差异。实验结果表明该方法获得了比当前最先进的补标签学习算法更为优越的泛化性能,并充分验证了本文给出的理论解释。该项研究成果具有重要的理论研究借鉴价值和实用价值。本文首先从目标函数出发,研究了对称损失函数对标签噪声的鲁棒性;其次,进一步研究了深度模型在标签噪声下学习的一般收敛路径;然后,为在标签噪声下训练深度模型设计了一个可以使得大部分损失函数对标签噪声鲁棒的动态标签学习算法;再然后,为新的学习范式——补标签学习,设计了一个可将普通标签学习的损失函数扩展到补标签学习的目标函数框架,并从理论上指出验证集可用于最优模型的选择;最后,为补标签学习设计了具有分类器一致性的目标损失函,并解释了为什么MSE在补标签学习下不具备分类器一致性这一关键问题。实验结果表明,本文提出的解决方案获得优于或可与当前最优秀方法可比的泛化性能。