随着人工智能时代的到来,多标签分类由于更贴合现实世界的建模需求而成为机器学习领域的核心研究问题。而由于数据获取时的各方面限制,在包含噪声数据的多标签数据集中学习多标签分类模型成为重要课题,部分多标签学习框架因此被提出。部分多标签学习的目标为从一种每个样本的标注标签只有一个包含噪声的候选标签集的数据集中学习一个多标签分类模型。本文围绕消除部分多标签学习中噪声数据带来的影响展开深入的研究,主要工作如下:对部分多标签学习的问题定义进行讨论,通过问题分解论述了部分多标签学习与噪声标签学习框架的联系,并提出使用交叉验证和标签增强方法解决部分多标签学习问题,划分数据集并在子数据集上分别训练模型,通过交叉验证结果对原标签进行增强。交叉验证方法可以充分利用数据集中一半数据集中的信息,对另一半数据集进行消歧。本文对交叉验证方法的结果进行了数学推导,证明交叉验证方法所输出的噪声标签的数学期望低于正确标签,证明了方法的有效性。在交叉验证方法基础上提出了样本精炼方法,通过弱化难分辨样本,对交叉验证过程中子数据集上噪声率升高的情况进行改善。并最终形成了基于交叉验证和样本精炼的部分多标签学习算法。之后本文的大量实验证明本文提出的基于交叉验证和样本精炼的算法的性能能够在大部分情况下优于目前最新的部分多标签学习算法。大量消融实验和参数鲁棒性实验也证明了本文算法创新点的有效性和算法的实用价值。基于数据清洗的角度,提出了一种基于标签传播和自训练的部分多标签数据清洗算法。本文提出并通过实验验证了标签传播方法用于部分多标签数据的噪声标签清洗的可行性。之后根据前文对交叉验证有效性的证明,提出使用自训练方法对标签传播方法进行改进,最终形成了基于标签传播和自训练的迭代部分多标签数据清洗算法。大量实验表明本文提出的这一数据清洗算法可以显著降低部分多标签数据集中噪声标签的标注值,并且实际应用实验也表明在清洗后的数据集上训练的模型得到了性能提升。