许多以数据为支撑的研究领域的发展及应用离不开大规模的标注数据,特别是机器学习等人工智能领域。近年来,利用众包系统收集标注数据正变得越来越受欢迎,它能方便地帮助研究者快速和低成本地获得大量的标注数据。但是由于众包标注者的各种不稳定因素,并不能保证标注者标注标签的质量。目前为了改善众包数据的标注质量,研究者们已经提出了一些有效的标注数据的标签真值推断算法。本文针对上述问题提出了两种比公认的基准算法表现更好的算法,主要研究工作总结如下:(1)分析了导致众包数据标注质量低下的原因,并系统地定义了旨在改善众包数据标注质量的标签真值推断问题。探讨了一些典型的基准算法的基本原理和实现,为本文提出的算法和对比实验提供基础。(2)提出了基于黄金标准数据和激励策略的标签真值推断算法。该方法在使用黄金标准数据的条件下,全面考虑了实际众包环境中存在的标注者的类型并过滤了低质量的标注者。其次针对同样基于黄金标准数据的ELICE算法的不足点,合理地估计了标注者自身的标注能力。最后通过改善激励机制策略来增强标注者动机,进一步提高算法的效果。(3)提出了基于标注者能力和标注难度的标签真值推断算法。该方法并不依赖黄金标准数据并且适用于多标签标注任务。它主要考虑了标注者能力和标注实例难度建立了有效的多标签任务标注过程的概率模型,并合理地估计了标注实例的难度。最后采用EM迭代算法求解标注模型的极大似然估计,并推断出标注数据的标签真值。本文利用开源实验工具在多个公开数据集上对本文算法和其它基准算法进行对比实验。通过实验结果与分析,验证了本文提出的两种算法的有效性和相对于其他一些基准算法的优势。