现如今,深度神经网络已经在人工智能领域取得了巨大的成功。然而它需要大量而精确的人工标注,因此弱监督学习成为了机器学习和深度学习等领域的研究热点。多示例学习作为一种典型的弱监督学习,已经在计算机视觉、医学图像处理、自然语言处理等方面得到了应用。本文将对多示例学习进行深入研究,同时结合现今流行的神经网络,先后提出三种基于神经网络的多示例学习算法:(1)本文提出了一个基于嵌入空间的多示例神经网络MI-Net。它通过多示例池化层将示例特征转换为包特征,并基于包特征对包进行分类。除此之外,本文还将如今流行的深度监督和残差连接与MI-Net相结合,提出了MI-Net的两种变式方法MI-Net with DS和MI-Net with RC。(2)本文提出了一个基于包相似性的多示例神经网络。它是第一个将相似性学习与多示例学习相结合的工作,利用豪斯多夫池化层计算包与包之间的相似性,学习到丰富的上下文信息。考虑到多示例学习的特性和模型的复杂度,该方法使用一个解耦的训练策略,以保证方法的高效性。(3)本文提出了一个基于动态池化的多示例神经网络。它通过动态池化,迭代更新示例对包的贡献权重值,从而自适应地同时选择关键示例和学习示例间的上下文信息。动态池化不仅保证了多示例学习的排列不变性,同时还解释了示例与包之间的隐含关系。为了验证上述方法的有效性,本文在多示例学习的诸多数据集上做了充分的实验。实验结果表明基于神经网络的多示例学习方法的有效性。