多实例多标记学习在生物医学图像领域的是广泛存在的,探索解决这一类问题的通用解决方案具有重大意义。我们选取了基于免疫组织化学图像进行亚细胞定位问题以及对果蝇胚胎发育图像自动注释问题进行了探讨,期望我们的方案能对解决其它生物医学场景的多实例多标记学习问题提供参考。人类蛋白质图谱（HPA）中的组织图谱包含免疫组织化学（IHC）图像,其通过可视化的方式展示了从组织水平到细胞水平的蛋白质分布,这为研究人类空间蛋白质组提供了重要资源,特别是通过正常组织和癌症组织的差异定位分析可提供新的癌症标志物。我们提出了一种基于深度学习的多实例多标记模型Im PLoc,我们使用基于CNN的深度特征提取器来表示图像特征,并设计多头自注意力编码器以聚合多个实例的特征向量用于后续分类器。实验结果表明,与当前的计算方法相比Im PLoc在预测精度方面取得了显著的提高。我们进一步将Im PLoc应用于具有来自正常组织和癌组织的889种蛋白质的图像测试集,最终获得8种有差异定位的蛋白质,显著性水平为0.05。随着基于图像的转录组学的兴起,空间基因表达数据对于从组织水平到细胞水平理解基因调控变得越来越重要,特别是果蝇胚胎的基因表达图像为果蝇胚胎发育的研究提供了新的数据来源。我们提出了一种新的方法Fly IT,其采用图像拼接策略来获得每个基因的组合图像特征表示,并使用新的损失函数来处理类别不平衡问题。新的损失函数根据每个标签的分类结果是否正确来区分困难与容易样本,增加了困难样本对总损失的贡献。在Fly Express数据库上的实验结果表明,图像拼接策略和深度架构都能显著提高标注性能。