多示例学习(Multiple-Instance Learning)不同于传统的监督学习,在文本分类,图像处理(自然场景分类,基于内容的图像恢复等)等领域,MIL都得到了大量的应用。为了解决各种各样的MIL问题,近些年来研究者们提出了多种算法,其中经典的嵌入空间算法MILES首先利用特征映射来构造包级特征,再利用支持向量机SVM来训练一个标准的监督学习分类器。MILES算法主要分为特征映射和特征选择,以及标准的分类器构造几个部分。很多经典数据集上的实验结果表明,该算法的分类精度较高。然而由于前期较为庞大的数据处理量,导致MILES的计算复杂度较高,整个算法的运行时间较长,另外MILES的抗噪性能也需要改善。因此,本文利用MILES的思路对其作出改进,主要内容如下:(1)对MILES算法和其它常见典型算法进行分析。重点分析了其中的几种典型算法,比如DD,DD-SVM,MILES等等。其中MILES算法将MIL问题转化为已有的监督学习问题,利用训练集中的所有单示例,构造一个特征空间。紧接着对其做特征选择,最后利用选择好的特征向量,训练出一个标准的分类器。本文将会分析MILES的整体思路,以及其中的特征映射和特征选择两个关键问题及标准的分类器构造等。接着结合实验结果分析得出MILES算法的不足之处,为后文提出改进算法作出铺垫。(2)针对MILES算法计算复杂度较高,抗噪性能也不够好的不足,本文提出了一种基于聚类和概率神经网络的改进算法MIL-CPNN(Multiple-Instance Learning via Probabilistic Neural Network based on Clustering)。改进算法同样采用MILES的总体思路,即先获取包级特征再构造分类器。为了避免大量的运算,先通过聚类来得到包级特征,紧接着利用概率神经网络的的高效性,将包级特征送入其中训练来构造分类器。通过实验结果对比表明,该算法有较好的抗噪性能,能比较有效的降低运行时间,也有着不错的分类精度。(3)为了进一步提高MILES算法的分类精度,同时减小MILES中的嵌入过程的计算量,本文还提出了另一种基于神经网络形式的MIL算法。由于包含了嵌入过程,同时又结合了神经网络,所以将其命名为MIL-ENN(Multiple-Instance Learning via Embedding and Neural Network)。通过实验结果对比表明,该算法能够一定程度的提高分类精度,同时由于嵌入空间运算量的减少,相较而言此算法的计算复杂度也得到有效的降低。