随着人工智能技术的飞速发展,作为人工智能领域的重要分支,机器学习同样获得了长期而稳定的发展,目前已经成为学术界研究最多的领域之一。其中,监督学习是目前研究的最多、应用最广泛的一种学习框架。但是,传统监督学习采用单示例单标记的形式描述现实对象,不适用于解决歧义性对象的学习问题。基于此,研究者们提出了多示例多标记(MIML)学习这一新型框架,在此框架下,现实对象被描述为多个示例,且被赋予多个概念标记。这种框架更适合处理歧义性对象,有助于复杂对象学习问题的解决。针对MIML框架,研究人员提出了多种学习算法,其中,最为直观的是以多示例学习或多标记学习为桥梁,将MIML学习退化为传统监督学习进行求解,代表算法为MIMLBoost算法和MIMLSVM算法。本文针对这两个退化算法中所存在的问题和不足,做了以下方面的研究工作。首先,分析MIMLBoost算法转化过程中出现的类别不平衡问题,根据现有的类别不平衡解决方法,对算法进行改进。本文结合欠采样思想,运用聚类算法和TF-IDF算法计算每个类别标记在各个聚类簇中的重要度,然后筛选出重要度高的若干标记与聚类簇中的示例包拼接,以此缩减数据间的类别不平衡性。其次,研究发现MIMLSVM算法只从包层面构造聚类,而忽略包内示例分布对分类影响这一不足之处,提出一种新的示例包表示方法。本文从示例层面构造聚类,挖掘出示例中的潜在概念,运用R-PATTERN算法计算每个概念簇的概念权重,再利用TF-IDF算法计算每个概念簇在各个示例包中的重要度,最后将示例包表示成概念权重向量,向量的每一维即为概念簇的概念权重与在该包中重要度的乘积。最后,通过仿真实验分别比较改进算法和原算法的性能优劣。仿真实验结果表明,两种改进算法在部分评测指标上取得了良好的实验效果,在整体上略优于原算法,说明了本文改进方法的有效性,具有较好的实用价值。