近年来,偏标记学习作为一类重要的弱监督学习框架,在目标检测和临床医学等多个邻域得到了广泛关注。在偏标签学习框架中,一个样本对应于一个候选标签集合,然而在候选标签集合中有且仅有一个标签是真实标签,由于训练数据集的真实标签不可直接获取,经典的监督学习方法无法直接用于求解偏标记学习问题。一般而言,为了设计有效的偏标记学习算法,一种直观的思路是对偏标记对象的候选标记集合中的标签进行消歧,然而现有的经典偏标记消歧方法从偏标记数据集学得的模型容易受到噪声标签的误导。虽然近年来改进的偏标记学习通过引入邻域权重图来降低噪声标签带来的负面影响,然而其仍然存在两个主要问题。一方面,其邻域权重图中各样本之间的相关性仍然存在着一定的错误信息,在最终传递信息的过程中,模型会放大化错误信息所带来的影响。另一方面,改进的偏标记消歧方法往往对异常数据过于敏感,导致模型十分不稳定,本文的主要研究工作如下:1.由于输入空间样本之间的相关性,最终会影响每个样本之间的候选标签之间的信息分享过程,因此输入空间样本之间的相关性所带来的负面信息不能轻易忽视。本文基于此问题,在相关性的计算方式中加入了候选标签信息,过滤掉分享过程中的带有错误信息的近邻样本,通过这种方式改善了分享过程中近邻样本信息的准确性,从而提高信息传播的效率和可信度。2.为了进一步加强输入到输出的映射关系,并且有效扩大候选标签集合中标签之间的差异性,本文基于流形假设构建了一个双凸目标函数,其利用最大熵函数的特性去提高候选标签集合中标签之间的差异性,并且在输入特征向量和真实标签之间构建了一个线性映射关系。本文在4个人工改造的UCI偏标记数据集和5个公开并真实存在的偏标记数据集进行大量实验来验证算法在自我纠错与预测新样本两个主要任务的有效性和优越性,同时佐证了算法的收敛性与参数的稳定性。