偏标记学习是一种重要的弱监督机器学习框架,它广泛地存在于现实世界的许多应用场景中,比如计算机视觉、互联网、生态信息学等。在偏标记学习中,每个示例对应一个候选标记集合,其仅有一个真实标记且隐藏在候选标记集合中。此时,由于监督信息不再具有单一性和明确性,传统监督学习方法不再适用于偏标记学习场景,需要结合偏标记学习自身的特性设计适合的学习算法。为求解偏标记学习问题,现有算法主要采用问题转换和算法适应两种策略。算法适应策略对常用的监督学习算法进行改造,使其适用于偏标记学习数据。问题转换策略对偏标记学习问题进行转化,使其能采用传统的监督学习方法进行求解。然而,偏标记学习研究仍存在许多有待进一步探索的问题。本文针对类别不平衡与未标记数据利用,主要做了如下两方面的工作:首先,偏标记学习作为一种多类分类方法,其数据集本身普遍受到类别不平衡因素的影响。现有类别不平衡求解策略均假设样本的真实标记已知,由于偏标记训练样本的真实标记无法显式获得,现有技术难以直接处理偏标记学习中的类别不平衡问题。本文结合偏标记学习自身的特点,提出了一种综合消歧与过采样技术的偏标记类别不平衡学习算法Cimap。实验结果表明,Cimap算法可有效缓解类别不平衡问题对偏标记学习带来的不利影响。其次,现实任务中获取大量已标记样本往往十分困难,而未标记数据相对容易获取,如何有效利用未标记数据提升学习系统的泛化性能具有重要研究意义。本文提出了一种基于偏标记学习技术的半监督学习算法SemiPL,该算法基于已标记样本迭代估计未标记样本的候选标记,从而实现未标记数据的有效利用。大量实验结果表明,SemiPL算法的性能优于现有的半监督学习算法。本文分为五章。第一章介绍偏标记学习的研究背景、研究现状以及待解决的问题;第二章简述目前主流的偏标记学习算法;第三章介绍用于缓解偏标记学习中类别不平衡问题的Cimap算法;第四章介绍如何借助偏标记学习对未标记数据进行有效利用的SemiPL算法;第五章对本文工作进行总结。