在机器学习蓬勃发展的大趋势下,多示例学习问题的研究越来越深入,在现实世界中的应用也越来越广泛与多元化。目前,多示例学习的主要研究方向为:在满足算法能对未知标记的包进行正确分类的前提下,提升模型的性能。包中示例间相关性和代表性示例对优化模型的性能至关重要,因此,利用图数据结构表示每个包中的示例关系是解决该问题的主流思路之一。根据多示例学习研究的层面可将已有的研究划分为基于包特征和基于示例特征2类,而基于示例特征的多示例学习又可分为基于向量特征和图结构特征2类。本文在分析这几类研究方法优劣的基础上,从挖掘示例间相关性和直接在包图结构上构建图分类器2个层面出发,提出了多示例学习算法MIL-GCC和MILFTSBN,能在不同的应用场景下提高模型性能。论文的主要工作及创新点如下:（1）提出了一种基于聚类的图卷积多示例学习算法（MIL-GCC）,利用图结构表示包中示例间的相关性,并在包图结构上直接建立图分类器,用以解决随机选择包中示例构建图结构和模型分类准确率不高的问题。首先通过聚类获取每个包中的超示例,作为包图结构中的节点;然后挖掘超示例间关系构建包图的边,确定包图结构;最后利用图卷积对包图节点重要度分数进行学习,筛选重要度分数排序前Top N的节点以及由这些节点组成的包图结构作为模型分类依据。（2）设计了一种基于DFS的包图结构约简算法。首先,将标号图中影响度最高的节点作为最大频繁项子图的根节点;然后,利用深度优先搜索（DFS）算法依次遍历与根节点相关的边对应的节点,获取当前图结构的支持度,筛选高于预先设定的最小支持度阈值的图结构作为频繁项子图;最后,根据新增频繁项子图相邻节点时支持度的变化范围来判断当前频繁项子图是否是最大频繁项子图,并输出符合条件的最大频繁项子图集合,用于图分类模型的输入。（3）提出了一种基于贝叶斯网络的频繁项子图多示例学习算法（MILFTSBN）,在使用图结构表示包中示例间相关性的基础上约简包图结构,用于降低复杂的包图结构对生成模型的影响,提升模型的分类准确率。首先,通过贝叶斯网络自学习每个包中的示例权重,筛选出权重值高于设定阈值的示例作为包中的代表示例;其次,将这些代表示例视为包图结构中的节点,代表示例间的邻接关系作为边,自定义节点与其他节点的重要程度作为边的权重,构建包图结构;然后,利用基于DFS的包图结构约简算法对包图结构进行约简,生成最大频繁项子图,用以消除与分类无关的包图结构信息。在公开数据集上对本文提出的算法进行了实验验证和分析。实验结果表明,MIL-GCC与MIL-FTSBN可提高分类器的分类准确率,有效优化模型的质量。