多示例学习是机器学习的研究热点之一。为了建立比较准确的分类器,大部分的多示例学习算法要求大量的已标注多示例包。然而,人工标记大量的包,需要耗费巨大的经济成本。因此,当仅有少量包被标记,而大量包未被标记,分类标签信息较少时(称之为“弱标签多示例学习问题”),如何建立比较准确的多示例学习模型,这是亟待解决的问题。近年来,研究者们提出了使用自步学习来解决数据标签缺失问题。自步学习通过模拟人的学习过程,首先学习简单的知识,然后在此基础上学习复杂的知识,其健壮的机制对处理标签缺失的数据有着良好的效果。针对多示例学习中只有少量包具有分类标签,而大量包没有分类标签的情况,本文把自步学习和集成学习融合到多示例学习过程中,提出了面向自步学习的多示例集成算法。本文的主要研究工作包括:1.本文提出了一个多示例自步学习函数,使自步学习能够应用于求解多示例学习问题。在每次迭代中,该自步学习函数尽可能地选择来自不同包的示例,以保证迭代过程中示例的多样性。2.本文在自步学习损失公式的基础上,提出了一个多示例集成模型,并设计了该模型的优化求解方法。实验结果表明,当训练数据集中只有少量已标注包时,本文所提出的算法相比于现有的多示例学习算法,具有更好的分类性能。