在机器学习和深度学习等大数据技术在诸多应用领域中广泛应用的背景下,一个拥有可靠标记的大规模数据集是进行有监督学习任务的基础和必备条件。然而,在实际应用场景中收集到的数据往往存在一定程度的标号噪声现象,即数据的标号被错误地标记。针对计算机视觉领域中图像数据的标号噪声问题,本文对图像数据的清洗和鲁棒的特征学习方法展开研究,具体的工作和创新点如下:(1)详细介绍了标号噪声的相关概念及多种常见的处理技术,并介绍了深度自编码网络和生成对抗网络的基本理论方法,为后续模型框架的设计提供参考。(2)针对传统的标号噪声检测方法导致较高的假阳性率而降低了预测性能,提出了基于异常检测技术和重建误差最小化的数据清洗模型。通过异常检测技术获得候选的标号噪声数据,并根据重建误差最小化准则来进一步选出真正的标号噪声数据。(3)针对因标号噪声的存在影响特征学习过程,提出了鲁棒的类专属自编码网络特征学习框架。具体地,该框架包含三个模块,分别是基于生成对抗网络的数据增广策略、基于重要性加权的优化策略以及基于最小重建误差的重标记迭代策略。通过大量的验证性实验表明三个策略均可以在一定程度上降低标号噪声对特征学习的影响。(4)在MNIST手写数字数据集以及Caltech-10图像数据集中,将所提出的相关模型与最先进的数据清洗模型和标号噪声鲁棒的模型进行对比分析,分别在训练集上的数据清洗任务和测试集上的分类任务验证了所提出模型方法的有效性。