在传统的单标记学习中,一个对象具有单一、明确的标注,在具有确定的监督信息情况下,可学得具有强泛化性能的学习器。然而现实生活中的对象往往更加复杂,无法给定其单一明确的标注信息,存在以下两种情况:(1)一个对象具备多种语义信息;(2)单一明确的标注信息较难获得。在第一种情况中,对象具有丰富的语义信息,若只对其进行单一的标注极有可能丢失有价值的信息,因此在此种情况下,需赋予对象多个标注信息;在第二种情况中,由于标注成本较高,真实标记难以获得,只能分配给对象多个候选的标注信息。以上两种情况对应了机器学习中两种弱监督学习框架,即多标记学习与偏标记学习。值得注意的是,在多标记学习中,多个标注信息均为真实标记,而在偏标记学习中,多个标注信息仅为候选标记。在多标记学习框架下,样本不仅拥有丰富的语义信息,往往还具备多样的特征表示,即多视图多标记学习。针对此类样本,本文提出基于视图私有信息提取的多视图多标记算法Simm。该算法首先同时优化一个混淆的对抗损失与多标记损失来提取视图间的共享信息。其次,对共享子空间加入正交约束,以利用视图私有的判别信息,最后,结合共享和私有信息进行最终的语义学习。实验结果表明,该方法可对多视图多标记样本进行有效的分类。在偏标记学习框架下,学习系统的最终目标是从偏标记训练样本中学得多类分类器,而二类分解是求解多类分类问题最直观的策略。然而,由于偏标记训练样本的真实标记未知,导致现有二类分解技术难以直接用于偏标记学习建模。针对该问题,本文通过改造一对一二类分解技术,提出了一种基于二类分解的偏标记学习算法Paloc。首先对于每组标记对,选取与标记对具有直接关联的偏标记样本来构建二类训练集,并学习相应的二类分类器。然后,基于这些分类器的预测输出,利用Stacking的结合策略针对每个标记进一步地构建二类分类器,以提升模型的泛化性能。相较于经典的偏标记学习算法,在人工合成数据集与真实数据集上的实验均验证了所提算法的有效性。本文一共分为五章。第一章介绍面向多标注数据的机器学习算法研究背景、相关工作以及待解决的问题。第二章给出多标记学习与偏标记学习的框架定义,并介绍相关算法。第三、四章分别给出多视图多标记学习算法、二类分解偏标记学习算法的具体细节与实验结果。第五章总结全文。