作为两种重要的弱监督学习框,偏标记学习和偏多标记学习具有相似的特点,即每个示例的真实标签均被淹没在候选标签集合中。两者的不同点在于:1、对于偏标记学习,每个示例只有一个真实标签淹没在候选标签集合中。2、对于偏多标记学习,每个示例不仅具有多个真实标签,同时上述多个真实标签也淹没在候选标签集合中。偏多标记学习可以认为是偏标记学习的拓展,但是,相比于偏标记学习来说,偏多标记学习的真实标签数量未知,所以偏多标记学习更加困难。通过对特征空间应用降维算法也是一种偏标记学习的研究方法,现有偏标记降维方法旨在尽可能多的去除原有特征空间中的冗余信息。基于上述讨论,本文围绕偏标记学习算法、偏标记学习降维算法和偏多标记学习算法三方面展开研究。（1）针对现有偏多标记学习算法消歧过程中,指导消歧的结构信息模糊,导致消歧过程不稳定并产生累积误差的问题,提出一种基于语义差异最大化的偏多标记学习算法:在偏多标记学习中引入语义差异的概念,并通过语义差异最大化指导消歧过程。具体来说,首先根据示例间候选标签集合相交是否为空确定示例间的语义差异,然后将最大化整个训练集的语义差异作为优化目标,从而在偏多标记学习的消歧过程中引入语义差异作为指导信息。在人工数据集上,该算法在80%的情况下优于所对比算法;在真实数据集上,该算法在65%的情况下优于所对比算法。（2）现有偏标记降维方法均通过特征提取方法与基于平均消歧的近邻投票方法交替进行以达到降维目的,但是交替进行的两种方法会分别导致的降维后特征空间失去原有物理信息以及真实标签淹没在假阳性标签中的问题。针对以上问题,提出一种基于标签冗余和置信度传播的偏标记特征选择方法:该方法首先通过标签冗余衡量某一特征在特征空间中的相对重要性,并以此准确地剔除特征空间中的冗余特征,保留的特征依旧具有原来的物理信息,然后通过标签置信度传播的消歧方式,避免真实标签淹没在假阳性标签中,最终特征选择过程和置信度传播过程交替进行实现降维目的。实验证明了该算法的有效性。在人工合成数据集上,该算法在71%的情况下优于所对比算法;在真实数据集上,该算法在83%的情况下优于所对比算法。（3）目前有偏标记学习的相关学者将生成对抗网络成功应用到了偏标记问题的求解过程中,但是该算法中由于判别器同时承担判别任务和分类任务导致最终判别器无法收敛到最优分类器,针对这一问题,提出了一种基于三重生成对抗网络的偏标记学习算法:通过在原有二重生成对抗网络的基础上引入分类器,形成三重网络结构,将分类任务从判别器中分离并交由分类器处理,避免分类器因平衡收敛而无法收敛到最优分类器。在人工合成数据集上,该算法在60%的情况下优于所对比算法;在真实数据集上,该算法在70%的情况下优于所对比算法。