得益于大规模高质量标注数据集,深度学习模型在计算机视觉领域取得了飞速发展,然而采集如此大规模数据集不可避免的引入错误标注的标签,也就是形成了标签噪声问题。受标签噪声的影响,深度学习模型在训练过程中对标签噪声过拟合,最终影响深度学习模型的性能。且标签噪声在许多高端、精密的实际应用场景中广泛存在,如无人驾驶、故障诊断等领域。因此,提出标签噪声鲁棒深度学习算法具有深远的理论和应用研究价值。所以,本文基于标签噪声的鲁棒学习算法进行研究,以深度学习模型为基础,构建了一系列噪声鲁棒学习算法,主要研究内容和贡献如下:（1）分析标签噪声对分类建模任务的影响从实验和理论两个方面分析标签噪声对基于神经网络的分类任务的影响,包括不同类型标签噪声的影响,以及标签噪声对损失函数和不同基础网络结构的影响。（2）基于噪声转移矩阵的自适应损失校正算法针对现阶段损失校正算法依赖先验知识和启发式的优化策略,通过引入元学习优化框架,提出基于噪声转移矩阵的自适应损失校正算法。在一个小规模干净数据集监督下,算法自适应的从数据中学习噪声转移矩阵,提升了对标签噪声的鲁棒性。设计了迭代优化网络参数和噪声转移矩阵的策略。任何基于梯度下降算法优化的神经网络都可以嵌入到算法中。（3）基于概率加权的噪声鲁棒学习算法针对深度神经网络首先学习简单样本,随后学习困难样本的记忆模式,提出元概率加权算法,通过对神经网络输出概率加权,在元数据监督下,使加权概率产生的梯度优化方向与在干净数据集训练的神经网络预测概率的梯度方向相似,从而降低深度学习模型对噪声样本的记忆。算法可以迭代地学习深度神经网络和元加权参数,且自适应从数据中学习概率权重参数。（4）基于概率校准的噪声鲁棒学习算法从梯度反向传播的角度对标签噪声进行理论分析,发现噪声标签产生的非零梯度实际上会导致性能下降。基于此,我们提出了概率校准机制,通过巧妙的设计概率校准函数,在so ftmax函数和交叉熵损失之间进行概率校准操作,从而使噪声标签产生的梯度接近0,缓解标签噪声对神经网络的影响;其次从理论上推导了概率校准函数条件,并提出了一系列可行的概率校准函数。有趣的是,指数函数ex可以作为一个概率校准函数,实际上是另一个softmax层。最后,概率校准函数可以很容易地集成到众多噪声鲁棒算法中,进一步提高性能。综上,所提出的三种噪声鲁棒学习算法在人工合成以及真实环境噪声数据集的优异性能验证了算法的有效性。