在自然场景图像中,图像的某个部分可以表示为一个示例,例如太阳,山脉或树木。因此,自然场景图像的分类涉及多示例多标签学习框架。在文本分类任务中也同样如此,文章可能属于多个类别,一个示例代表一个段落。多示例多标签学习正是针对此类复杂对象而侧重提出的框架。过去十年国内外已经提出了许多解决多示例多标签问题的方法。但是他们中的大多数方法只是单纯地通过采用降低问题复杂度的策略,即将这些多示例多标签学习(MIML)问题转换为传统的单实例单标签学习(SISL)问题。在转换过程中没有考虑到引入特权信息,这使得难以保证对示例之间的关系以及示例与标签之间的关系进行充分而合理的描述。在针对本文研究的多示例多标签学习问题中,本文方法研究在给予了有关训练数据集其他方面的信息后算法是否更具有优越性,这种情况称为学习使用特权信息。本文主要基于SVM附加特权信息的多示例多标签算法展开研究,提出了一种将特权信息(LUPI)用于多示例多标签的新方法,称为SMP。主要的研究内容如下:(1)如何为每个示例寻找最“合适”的单一标签。本文方法(SMP)充分利用了多示例多标签实例中示例、特权信息(PI)和标签之间的关系,为多示例多标签实例包中的所有示例寻找属于该组标签的最合适的单个标签。(2)如何结合特权信息帮我们去找到最佳间隔超平面。我们重点考虑将在特权信息(PI)引入到多实例多标签学习(MIML)中,并在之前的研究方法基础之上,主要分两个阶段进行,首先通过L2范数正则化最小化经验风险函数得出二次规划,然后在第二个阶段是依靠特权信息为每个示例分配单个标签实现整数规划。为了解决本文所提出的算法,我们采用了交替优化方法和随机梯度算法,并且在本文中不需要再转换为对偶公式,并证实了这两种方法非常的有效。(3)为了验证本文提出的方法的有效性我们主要对场景数据和MSRC图像数据集以及PASCAL VOC 2012的子集这三个数据集进行了实验。实验结果证明了本文方法比其他多示例多标签算法更具有优越性。