机器学习中的分类学习旨在利用已知类别的训练样本进行模型的训练,从而能用该模型来预测未知样本的类别。根据样本的不同类别设置,分类任务可分为三大类:二分类,多分类和多标记分类。前两者可统称为单标记分类,即每个样本只唯一对应于一个类别。而多标记分类则进一步扩展其设置,即每个样本可同时对应于多个类别。这也更加符合现实应用的场景,即现实中的一个研究对象往往同时与多个语义类别有关。然而,随着数据规模的不断增长,想要获得多标记样本的所有真实标记的难度也大大增加。一方面,采取人工方式来标注样本的多个标记费时费力,且容易出现标记错误。另一方面,由于某些标记本身具有语义歧义性,标注的过程也更加容易产生错误标记。所以,多标记样本不可避免地包含一定量的噪声标记,它们将影响模型的训练,降低模型的泛化能力。针对此类不准确标注的情况,本文旨在缓解噪声标记对模型的不利影响,提高模型的鲁棒性。特别地,本文研究的不准确标注下的多标记学习问题分为两种学习范式:偏标记学习和偏多标记学习。前者的设置为在候选标记集合中有且只有一个是真实标记;后者的设置为在候选标记集合中存在多个未知的真实标记。本文将针对传统多标记学习,偏标记学习,偏多标记学习这三种分类任务提出一个统一的训练框架,其包含两个相互迭代与促进的过程:模型训练和标记置信度估计。在前者中,模型的训练不再静态地使用训练集中的原始离散标记值,而是动态地使用上一次迭代中估计出的标记置信度矩阵,其包含更加丰富的语义信息并能给模型训练提供更加有辨识力的监督信息;对于后者,使用上一次迭代的模型训练结果(模型的输出)和相应的正则项来动态地估计标记置信度矩阵。在此估计过程中,针对上述三种不同的学习范式,本文将设计三种特定的正则项和相应的标记置信度限制条件来满足它们的不同需求:(1)在传统多标记学习中,本文提出基于示例图和标记相关性的正则项来联合限制标记置信度矩阵,而对于标记置信度限制条件,只考虑相关标记的置信度,并扩大整体标记置信度的规模来满足多个真实标记的情况;(2)在偏标记学习中,本文提出使用标记置信度的熵作为正则项,从而使候选标记置信度两极化,即其上的置信度趋向于一个最可能的候选标记,从而有效地进行消歧。由于样本的候选标记中只有一个为真实标记,因此设置候选标记置信度满足一个标准的概率分布;(3)在偏多标记学习中,本文将候选标记分为可信候选标记和不可信候选标记,并提出一个软符号阈值操作来自适应地增加可信候选标记的置信度和减少不可信候选标记的置信度。由于样本的候选标记中存在多个真实标记,则设置候选标记置信度的规模并非固定为1,而是和数据集相关的参数(表示平均真实标记数)有关。通过在人工数据集和真实数据集上的大量实验,本文证明了针对三种学习范式分别提出的三种改进算法的有效性。本文分为5章。第1章介绍三种学习范式的研究背景与现状。第2,3,4章分别针对传统多标记学习,偏标记学习和偏多标记学习提出不同的改进算法。第5章总结本文内容,并讨论本文方法扩展至更多类型的标记情况。