在机器学习领域,多示例学习作为一种弱监督学习方法,已被广泛应用于计算机视觉、文本分类、医学影像分析等领域。近年来,随着深度学习技术的快速发展,结合神经网络的深度模型成为多示例学习领域的一个重要研究方向,深度模型可以有效地学习示例的高级表示,进而取得比传统浅层多示例学习方法更好的分类效果。然而,一方面现有多示例神经网络通常将包中示例视为独立同分布的,这忽略了示例间存在重要结构信息这一事实;另一方面许多方法在构造包表示时以标量形式编码示例特征,可能不足以有效的保留包中示例的属性信息。因此,如何充分挖掘示例间信息和包的属性信息成为深度多示例建模的一个重要研究方向。本文在分析深度多示例学习算法的国内外研究现状的基础上,针对以上两个问题对深度多示例学习模型与算法进行深入研究,取得以下研究成果:一、提出一种基于自注意力的深度多示例学习模型与算法。首先,针对现有的算法依赖于示例独立同分布假设,而忽略示例间重要依赖信息这一问题,提出一种基于自注意力机制的深度多示例神经网络（SA-MINN）,该模型融合自注意力机制对示例之间的全局依赖关系,学习包内目标和非目标示例间最具差异性的特征;然后,为了降低计算复杂度,进一步提出一种基于诱导点的自注意力框架（ISA-MINN）,该框架在不影响性能的同时将自注意力的计算时间降低至线性规模。以上模型经过实验进行验证:所提方法不仅适用于标准多示例假设问题,而且在基于阈值和基于计数假设的情况下依然具有良好的分类能力,又由于所提方法可以聚合图像区域间的多层依赖信息,特别适合处理医学图像任务。二、提出一种基于嵌套包的深度多示例学习模型与算法。为了解决现有方法对包的编码表示效率不高的问题,通过多示例表示转换为嵌套多示例表示,将嵌套多示例学习与多示例学习相结合,提出深度嵌套多示例神经网络（MMINet）。该方法使用卷积网络将示例包编码为嵌套包,提取向量形式的示例特征。因此,所提模型为包中的每个示例建模多个嵌入（通道）,从不同方面捕获输入示例的属性。然后使用bag-layer聚合示例最具判别性的特征,构造高质量的嵌套包表示。实验验证表明MMI-Net可以根据不同的任务和数据,灵活自适应地学习转换函数,与其他多示例学习方法相比,在编码示例特征方面更有效,这对处理大型数据集来说非常有益。总之,第一种算法使用注意力机制挖掘示例间的依赖信息,第二种算法结合嵌套多示例学习捕获示例的不同层面的特征。两种方法的基本思想都是生成包层面的高级表示,进而提高模型的分类性能。实验结果表明,以上所提模型与算法在多个多示例学习任务中实现了最先进的或有竞争力的性能,且具有良好的可解释性。