自身免疫性疾病是指由于某些原因造成免疫系统对自身成分的免疫耐受减低或破坏,致使自身抗体或致敏淋巴细胞损伤自身器官组织而引起的疾病。抗核抗体（Antinuclear Antibodies,ANA）作为自身免疫病患者中最常见的一类自身抗体,对相关疾病的分类、鉴别、分型、预测、预后及预防等具有重要的临床意义。传统的ANA检测以手工操作为主,需要人工对荧光显微镜下的ANA图像进行判读,并判断其所属的荧光模式。但该方法耗时耗力,且判读结果受到了主观经验的影响。为了解决ANA荧光模式自动识别的问题,本文在卷积神经网络的基础上,引入了多实例学习方法,并且针对多实例学习方法中存在的问题,制定了相应的改进方案。本文主要工作如下:1.针对ANA荧光模式识别任务,本文引入常用的卷积神经网络模型和最新的针对多标签分类任务的神经网络模型,并分别测试其在ANA数据集上的效果。2.本文创新地为ANA荧光模式识别任务引入多实例学习方法,并将其分为基于包训练的多实例学习方法和基于实例训练的多实例学习方法。实验结果证明了多实例学习方法在ANA数据集上的有效性。3.基于实例训练的多实例学习方法中存在实例标签不可信的问题,这导致模型在训练时受到了噪声的干扰。因此,本文分别从先验知识和实例熵的角度出发,对实例标签可信度加以估计,并将该估计值转换为实例在模型训练时的采样概率。实验结果证明,基于先验知识和基于实例熵的改进方案分别在一定程度上缓解了实例标签不可信的问题,提升了模型的表现。4.基于实例熵的改进方案无法冷启动,而基于先验知识的改进方案比较粗糙,因此本文将这两种方案进行融合。实验结果证明,融合后的方案克服了各自方案中固有的缺点,更好地缓解了实例标签不可信的问题,有效地提升了模型效果。