随着互联网技术的高速发展,图像数据在种类、数量等方面呈现爆炸性的增长趋势,大规模图像数据推动了深度学习技术在计算机视觉领域的发展。然而,在实际应用中由专家精确标注的数据成本高昂且难以获取,借助自动化工具标注以及“众包”标注的方式逐渐成为获取大规模图像标签的主流,这些低成本的标注方式会不可避免地产生错误标签即噪声标签。在图像分类领域,噪声标签会对分类器产生负面的影响,如降低分类器的预测性能,增加模型的复杂度等。在大规模数据集中噪声标签问题的影响更为严重,研究表明深度神经网络对数据的过拟合倾向会使它们轻易地拟合噪声标签。针对这一问题,本论文旨在研究含有噪声标签图像的分类任务,主要的研究工作和研究成果概括如下:1.提出了一种基于自监督学习的噪声标签过滤算法,现有的图像分类任务中,采用样本选择算法对噪声数据进行处理是一种简单有效的方式。样本选择算法的主要目的是从数据中挑选小损失的样本作为干净样本指导模型进行分类任务的学习。但这种方法会将困难样本视为噪声样本,困难样本可以提升模型的分类性能及鲁棒性。针对目前样本选择算法中存在的问题,本文使用均值教师模型和自监督学习技术在模型判定为噪声的数据中挖掘潜在的困难样本,生成困难样本的伪标签并用其指导模型学习图像分类任务。实验表明,本文所提的基于自监督学习的噪声标签过滤算法能够有效地抵抗噪声标签数据的影响,挖掘潜在噪声中的困难样本能够进一步提升模型的分类性能,且模型的抗噪鲁棒性达到了其他先进噪声标签过滤算法的效果。2.提出了一种基于深度度量学习的噪声标签过滤算法,深度度量学习模型的目的是减小特征空间中同类样本的距离,增大异类样本的距离。本文提出了一种基于深度度量学习的噪声标签过滤算法,噪声标签数据是同一类别数据内部的异常点,通过同类数据特征之间的相似度可以进行噪声数据的判断。在基于记忆库的深度度量学习算法的基础上,提出了一种基于样本相似度的噪声标签样本选择方法,该方法通过计算样本与同类样本数据之间的相似度,判定样本是否为干净的数据样本,并从潜在的噪声标签数据中挖掘出模型不易区分的困难样本。通过构造干净样本和困难样本的正负样本对,并引入有监督对比损失来指导深度度量学习模型的训练。实验表明,本文所提的基于深度度量学习的噪声标签过滤算法能够有效地挑选干净样本,构造困难样本的正负样本对能够进一步提升模型的分类能力,模型的抗噪鲁棒性优于当前基于深度度量学习的噪声标签过滤算法。