由于实际应用中数据集的标签标注不准确或不充分,弱监督的学习框架逐步被应用和发展,本文采用的多示例学习属于弱监督的学习框架。目前主要的多示例学习方法大体分为三类,包空间的方法、示例空间的方法和嵌入空间的方法,但应用在图像分类领域仍然存在一些问题。一方面,目前相关研究者很少关注多示例学习中图像包生成器这一预处理过程,针对k-meansSeg算法中的不足,本文提出了融入空间信息的图像包生成器S-k-meansSeg。另一方面,本文研究发现目前基于多示例学习的图像分类方法中,包空间的方法描述包容易忽略包中的局部信息,示例空间的方法描述包容易忽略包的整体结构信息。因此,本文提出了融合包空间特征和示例空间特征的多示例学习方法。本文的主要内容如下:1.本文首先对多示例学习进行了国内外研究现状的调研,并对包空间的多示例学习方法和示例空间的多示例学习方法进行了详细的阐述,分析了各自的优缺点。本文调研了应用多示例学习进行图像分类的相关方法,并进行研究和对比。2.本文提出了融入空间信息的图像包生成器S-k-meansSeg。对于一幅图像,k-meansSeg方法对其中的每个图像块提取颜色、纹理特征,本文在每个图像块特征中加入位置特征,然后对所有图像块进行聚类,聚类形成的簇则为图像包中示例,所有簇组成了图像包。3.本文提出了融合包空间和示例空间特征的多示例学习方法用于图像分类。首先建立图模型表达包中示例之间的关系,将图模型转化为关联矩阵以构建包空间特征;其次筛选出正包中与正包的类别的相关性比较强的示例和负包中与正包的类别的相关性比较弱的示例,将示例特征分别作为正包和负包的示例空间特征;最后,用Gaussian RBF核将包空间和示例空间特征映射到相同的特征空间,采用基于权重的特征融合方法进行特征融合。本文在多个公开的图像数据集上对所提出的方法进行了验证,分类效果提高。此外,将融合包空间特征和示例空间特征的多示例学习方法也应用到了药物分子活性预测及文本分类任务上,并取得了不错的效果。