物体检测与分类是计算机视觉领域的最重要的两个研究方向。现有大量研究成果中,良好的图片标记是获得较好性能的关键前提。然而,图片标记却是耗时、耗力的,能否从互联网中大量标记的图片中去建模识别并分类物体是一个较为困难的研究问题。本文从弱监督学习的思路出发,即基于弱标注图片(类标信息只提供到图片层次)进行多示例的建模学习。在多示例学习问题中,如何从复杂数据中发现有效的正例仍是较为挑战的难题。本文核心研究此问题,主要研究工作及成果概况如下。首先,我们提出了一个基于低秩和稀疏约束的子空间模型。由于同类物体的外观往往是相似的,因此物体的高维特征往往可以用低维子空间来表示。据此,我们提出一个子空间模型的学习方法来解决弱监督物体检测和分类问题。通过系数矩阵的低秩约束来对每一幅包含目标物体的图片进行优化求解一个标量矩阵。为提高准确率,我们通过引入?-insensitive loss和不相关因子,来增加子空间模型和显著负例之间的差距。并采用Block Coordinate Descent和Alternating Direction Method of Multipliers(ADMM)方法来优化。其次,我们提出了一个基于关键示例的物体分类模型(SMDIS)。SMDIS首先从正包选出真正的正例,然后结合Smooth Latent Support Vector Machine(SLSVM)进行训练,得出一个物体分类器。SLSVM已经在物体分类应用中获得较好的效果。用我们的子空间模型挑出具有代表性的正例,并结合SLSVM分类,能进一步提高模型的性能。在人脸数据集AR,UMIST和ORL和真实图像数据集Pascal 2007的实验中,获得了比传统的子空间模型更好的分类效果。在现实应用场景中,往往一张图片会包含多个正例。对此,我们通过学习多个子空间模型,采用基于Adaboost的策略把这些子空间模型组合在一起,形成集成学习分类器,通过学习一组权重把不同的分类器组合起来。该集成分类器能考虑各个子模型的优点,并重点关注难以区分类别的样本。在人脸数据集Yale B和AR上的实验结果表明,所提出的集成分类器具有较好的实验效果。