随着电子信息与计算机技术的不断发展和进步,机器学习技术已逐渐被广泛的应用到了实际生活中的各个领域。人们利用机器学习技术来模拟人类自身的学习过程,使计算机能够自动地完成智能化的分析和研究任务。作为机器学习中的一种新的学习框架,多示例学习的理论自形成以来就受到了机器学习领域内学者们的广泛关注。通过将问题转化到多示例学习的框架中,许多实际问题可以得到很好地求解。目前,多示例学习的应用领域已涉及物体检测、图像检索、Web挖掘、文本分类以及计算机辅助诊断等多个方面。Logistic回归模型是一种在机器学习中常用的数学模型。近年来学者们将其应用于多示例学习的算法研究中,开发出了基于Logistic回归模型的多示例学习算法,但是在已有的该类算法中,往往存在如下两方面的问题。一方面,算法在应用Logistic回归模型时,并没有符合如果包中至少有一个示例为正则该包即为正的标准多示例学习假设；另一方面,则是算法中提出的目标函数往往是非凸的,这使得算法在求解优化问题时遇到了受限于局部最优值的问题。针对以上两方面的问题,本文在多示例学习问题的研究特点以及标准的多示例学习假设的基础上,提出了一种新的基于Logistic回归模型和凝聚函数的多示例学习算法。该算法首先通过构造线性的分类器来判断样本的标签,并且在Logistic回归模型的基础上重新定义了一个新的似然函数来建立包的标签与它的示例的隐含标签之间的关系,使得该种模型关系充分体现了标准的多示例学习假设。随后,为了使分类器的参数能够用普通的无约束的优化方法来进行求解,算法引入了凝聚函数将优化问题中非光滑的目标函数转化成为了一个光滑的凹函数,从而较好的解决了算法受限于局部最优的难题。本文提出的算法分别在标准的麝香分子数据集和三个图像检索数据集,以及一个文本分类问题上进行了实验。实验结果表明,该算法具有良好的分类准确率,其整体表现要优于其他已有的几种常用的多示例学习算法。