现实生活中的许多场景都存在着样本标签不确定的问题,即样本在其对应的候选标签集中,只有一个标签是真实的标签,其余标签为伪标签,如何利用标签不确定的数据训练得到一个稳定的分类模型,是偏标记学习的主要研究任务。但是在传统的偏标记学习算法中,很少有方法考虑到标签的关联性,分类模型的泛化性以及数据的不均衡等问题。基于这些问题,本文主要做了以下几个方面的研究工作:1、提出一种改进特征引导消歧的偏标记学习算法（Partial label learning via FeatureGuided-Disambiguation,PL-FGD）,解决了偏标记学习领域标签信息没有得到充分利用的问题,有效地提高了分类的精度。首先,通过最小二乘法计算特征之间的相似程度,然后,通过利用样本与近邻样本标签的皮尔逊相关系数来确定样本之间的相似程度,并确定一个样本间的综合相似度来消歧,最后,在分类阶段利用Bagging策略来构建分类树,实现对数据的分类。在UCI数据集Deter、Segment、Vehicle和偏标记数据集MSCRv2、Bird Song、Yahoo!News、Soccer Player、Lost上进行实验,并与现有算法PL-LEAF、IPAL、M3PL、PALOC、LSB-CMM、PL-ECOC进行对比分析,分类效果有所提升。2、提出一种基于均衡化局部线性嵌入的偏标记学习算法（Partial label learning based on Balabced Local Linear Embedding,PL-BLLE）,有效解决了高维偏标记数据中存在的类别不平衡问题,提高了分类精度。首先,采用均衡分簇的方法对样本特征数据进行区间划分,使样本的局部不平衡系数达到最小值,然后,基于特征空间的流形弯曲度和样本疏密度来优化近邻样本的选取,从而得到最优的近邻样本集合,并对数据进行线性重构和低维空间求解得到降维后的数据,最后,使用多元回归分类器对降维后的数据进行分类。实验结果表明本章提出的算法在类不平衡数据集中分类效果提升明显。