随着计算机技术和互联网技术的飞速发展,当今社会进入了大数据时代。为了提高机器学习和数据挖掘等技术对数据的处理能力,需要快速对海量数据进行高质量的标注,以实现对相关算法模型的训练和应用。众包标注是利用众包技术对数据进行标注的方法,具有成本低,速度快的特点,因此得到了广泛的关注和应用。然而,由于参与众包标注的工作者数量很多,且其专业背景和工作能力参差不齐,导致收集到的标注标签中存在噪声甚至错误,不能直接作为正确的标签使用。为了对众包标注收集到的标注标签进行过滤和整合以得到正确的标签,需要研究众包标注的学习算法。本文从工作者的标注行为以及任务的特征出发,对众包标注的学习算法进行研究,主要工作如下：(1)提出基于众包标注标签平衡度的任务难度评估方法。通过对任务的众包标注产生的各类标签的规模进行统计分析,定义了该任务各类标签之间的平衡度,并利用该平衡度,对该任务的难度进行合理的评估。(2)提出基于工作者能力和任务难度的众包学习算法。针对众包标注过程中收集到的标签,首先利用基于众包标注标签平衡度的任务难度评估方法得到任务的难度,再结合工作者的准确度和一致度的衡量结果,对工作者的工作能力进行评估,最终根据各工作者的能力整合出最终的标签,提升众包标注标签的质量。(3)提出基于任务特征的半监督众包学习算法。首先对参与众包标注的任务的特征进行聚类,然后在各个聚类簇上,利用部分具有正确标签的任务,有监督地学习出工作者在不同类型的任务特征上的标注能力,最后确定没有正确标签的任务的最终标签。通过将任务的特征引入到众包标注的学习算法中,提高了对具有特定特征的任务进行众包标注的质量。