随着大数据时代的迅猛发展,运用机器学习的手段对大数据进行处理和分析已经成为一种公认有效的最佳方法。但是在各个领域中,呈现出数据的海量特征、数据标记的特异性,使得传统的机器学习方法无法对其进行数据处理。偏标记学习是处理数据标记特异性的弱监督学习框架产物,该框架与传统的弱监督学习框架不同之处在于示例的标记并非明确且单一,而是淹没于众多候选标记集中,这样的示例在现实中非常普遍,同时偏标记学习框架本质上也是对传统弱监督学习的一种扩展。偏标记学习是一种特殊的多类分类问题,任务是通过训练集得到一个多类分类器,而多类分类问题可以转换分解为构建多个二分类问题来解决,但是却极少考虑数据集中类别数目不均衡问题造成的分类器分类性能差、鲁棒性差;偏标记学习算法研究较少,很多现有机器学习算法通过改造后可运用于处理偏标记学习问题。基于此问题,本文主要做了一下几方面内容。1、本文提出一种KD树均衡训练集的集成偏标记学习方法,利用KD树的快速检索,使得划分的正负类样本数趋于均衡,再利用集成学习中的Stacking方法进行训练,对未知样本采用投票求和方式的方式进行预测。在公开UCI数据集和真实数据集上进行实验,实验表明提出的KD树均衡训练集的集成算法有较好的表现力。2、本文提出基于示例特征最大差异的ECOC算法,从ECOC框架的本质特性出发,寻找出特征差异最大的样本构成数据集,训练差异大的基分类器;ECOC的二值编码矩阵则是通过特征差异较大的样本候选标记或运算作为列编码来构造,最后对样本的预测通过各分类器的数据与编码矩阵进行比对从而实现预测。在公开UCI数据集和真实数据集上进行实验,实验表明提出的基于示例特征最大差异的ECOC算法有较好的表现力。