当今社会,以深度学习为代表的人工智能技术日益深入地影响着人们的生活。对于许多任务来说,深度学习的成功应用取决于拥有大量精确标注的数据。然而在很多情况下,对数据进行人工标注远比数据的自动收集困难,这在一定程度上限制了深度学习技术的应用。相对于对数据进行精确标注而言,对其进行弱标注可以在极大程度上提高工作的效率。人类在不断地学习进步的过程中难免会接收到一些不完全正确的信息,但是人类可以尽量减少此类信息对自己认知能力的影响。本文认为深度神经网络具有一定的鲁棒性,其性能不会因为部分弱标注数据的存在而迅速退化,同时,通过足够多的弱标注数据训练的神经网络,能够取得与使用精确标注数据训练的神经网络相近似的性能。本文首先在图像分类问题上研究弱标注数据对神经网络的影响。在本文的图像分类问题上,弱标注数据指的是图像的类别标注错误,也就是噪声标签,其中包含有对称噪声和非对称噪声。对于此类问题,本文提出集成学习与深度学习相结合的方式,基于分歧的标注方法和不同的投票策略是其中的核心思想。通过在两种噪声环境下的研究,本文证明了所提算法的优越性。本文进一步研究了基于弱标注数据的目标跟踪问题。相对于图像分类问题而言,目标跟踪问题所需要的标注更为精细。基于在图像分类问题上的研究,本文提出猜想:在目标跟踪问题上同样可以使用弱标注数据训练神经网络。本文利用现有的弱跟踪器提供大量弱标注数据作为训练集,实现对目标跟踪神经网络的训练,并将此思路运用到实际的视频监控场景中。在公共数据集上的实验证明了猜想的准确性。最后,本文在自建立数据集上采用了弱标注数据与人工标注相结合的方式,进一步提升了神经网络的性能,证明了所提方法的优越性与可实现性。