近年来,监督学习在各个领域都得到了广泛的应用,但此类算法需要大量具有高质量标签的训练样本组成的大规模训练数据集,且其效果严重依赖于样本的标签质量,然而创建这些具有高质量标签的大规模数据集往往既昂贵又耗时。为节省人力物力,提出了使用网络爬虫、众包等方法来完成对数据的收集工作。但是,这些方法获取的数据往往存在大量的标签噪声,而标签噪声会对网络的训练带来很多负面的影响。因此,对标签噪声处理方法的研究,有助于推广机器学习工程应用和降低机器学习的成本。本文重点研究了对含有标签噪声的图像的分类,主要研究内容如下:(1)研究了基于课程学习的不准确监督学习方法。首先研究了使用k NN算法将含噪声标签的数据集中的样本按照具有准确标签的概率进行排序的方法,提出了基于k NN算法的课程学习方法,然后对K-means聚类算法中初始化中心点的选取方法进行改进,研究了基于改进K-means聚类算法的课程学习方法。(2)研究了基于网络参数和样本标签联合优化的不准确监督学习方法。首先提出了网络参数和样本标签的联合优化,然后研究了网络参数和硬标签的联合优化以及网络参数和软标签的联合优化两种方法的主要步骤和损失函数的设置。(3)在新生儿疼痛表情数据库和CIFAR-10数据集上分别对基于课程学习的不准确监督学习方法和基于网络参数和样本标签联合优化的不准确监督学习方法进行评估。实验结果表明,在新生儿疼痛表情数据集上,基于k NN算法的课程学习方法取得了78.5%的测试准确率。在CIFAR-10数据集上,通过添加随机标签噪声和类相关标签噪声进行实验,网络参数和软标签的联合优化方法在各个噪声标签率下均取得了最好的测试准确率。