如今,深度学习成功应用于计算机视觉、图像识别等各个领域,其中大规模数据集起到关键作用。然而,对这些数据集进行准确且完整的标注却很难实现。一般情况下,可以通过众包公司或者web在线标注数据集。虽然此类方法可以加快标注速度,但是容易因标注错误而产生标签噪声。若采用人工标注,则却费时费力,提高成本。因此,如何在标签噪声条件下鲁棒的进行图像分类,是一项重要课题。基于此,该文提出以下三种方法:首先,针对单个神经网络容易产生标签噪声错误流积累的问题,提出正则化的联合网络鲁棒分类模型,该模型将两个网络结构相同,初始化不同,相互独立深度神经网络组成一个联合深度神经网络。通过加入正则项约束,两个对等网络选择出small-loss样本互相更新网络参数,过滤不同错误流。最终训练出两个具有不同学习能力的网络,其输出的预测结果越来越相近,同时有效对抗标签噪声。其次,有监督的深度学习模型依赖样本标签,当标签存在噪声时,会影响监督学习准确性。为降低模型对样本标签的依赖性,提出基于对比学习的半监督鲁棒分类模型。对比学习通过挖掘数据集自身的图像特征表示,比较正负样本对之间的相似性,将同类图像距离拉近,并将不同类图像距离拉远。半监督方法将噪声标签样本作为无标注样本,并赋予其伪标签用于训练,进一步提高了模型泛化能力和鲁棒性。最后,深度神经网络存在记忆性,训练初期更容易学习干净样本,随着训练进行,会记忆全部标签噪声样本,从而产生过拟合。为对抗网络记忆性,防止过拟合现象,该文提出利用对比学习（Smi CLR）预训练模型参数初始化深度神经网络,在训练初期提取更高质量的特征表示,降低网络对标签噪声样本置信度,从而提高网络对抗标签噪声的能力。