监督学习中,训练数据标签的质量对学习的效果至关重要,然而现实数据常常存在着标签被错误标记的情况,这些标签错误的样本被称为标签噪声。标签噪声通常会对分类模型的训练产生负面影响,如增加分类模型的训练时间,降低分类性能以及增加模型的复杂度等,因此对标签噪声进行处理十分必要。相对密度是一种过滤标签噪声非常有效且通用的方法,但由于其具有2O(N)的时间复杂度,所以在较大的数据集上效率较低。粒计算是一种可扩展,高效且健壮的方法,它使用简单、低成本的近似解决方案代替精确的解决方案。本文利用粒计算这一特性,对相对密度进行改进,提出了基于空间划分的快速相对密度方法,该方法首先将样本空间划分为一系列子分区,然后在每个分区内部计算样本的相对密度,从而减少传统方法在全局计算相对密度所带来的时间开销。实验证明提出的方法具有比传统相对密度高得多的效率,且能保持较好的标签噪声过滤性能。此外,提出了空间划分相对密度算法的进一步改进方法,即多层空间划分相对密度算法,划分时给出多个划分标准,得到多个划分结果,每个划分结果分别计算一次相对密度,从多个粒度上共同检测标签噪声。由于空间划分的动态性,在一次完整的划分的过程中便可完成相对密度的多次计算,因此改进后的方法依然具有高效性。实验表明该方法不仅效率高,且比传统相对密度具有更高的准确率。面对含标签噪声的数据时,现有的采样方法常常会得到不理想的结果,而多粒度方法本身具有可扩展和健壮等性能。因此,引入了粒球的概念,提出了一种不限于任何特定数据集、特定分类器或特定场景的通用采样方法,称为粒球采样。粒球采样不仅可以减小数据集中样本数量的大小,对数据样本数量进行压缩,同时还拥有过滤数据中标签噪声的能力,从而提高数据质量。