PU（Positive and Unlabeled,简称PU）学习作为弱监督学习的一种,是当前机器学习的研究热点。其目的是从正样本和无标签样本中学习一个分类器,实现对未知样本的有效分类,近年来在不同领域得到了广泛的应用。然而随着PU学习应用的推广,真实应用场景中存在数据维度高以及数据包含噪音等问题,这使得现有的PU学习算法难以获得高性能的PU分类器。为此,本文针对PU学习中存在的上述问题,在多目标进化优化框架下提出解决方法,以有效地提升在复杂PU数据下的PU分类器的性能。本文主要研究工作总结如下:（1）针对PU数据中特征维度高导致的维度灾难问题,本文提出了基于多目标进化算法的稀疏PU学习方法LMAO-PUL。对于高维PU数据下无标签样本的标签不确定性及维度灾难问题,LMAO-PUL利用交替优化技术来解决。具体而言,本文首先提出了损失矩阵,以衡量稀疏PU分类器在高维PU数据集上的性能。基于损失矩阵,LMAO-PUL分别对两个优化阶段进行建模,构建双目标优化模型。其中,第一阶段是构建PU模型,通过建立并优化真正类率和无标签样本的损失率两个目标,旨在解决无标签样本的标签不确定性挑战。在第一阶段的最优分类器确定了之后,第二阶段在此基础上使用稀疏度和误差率两目标来解决维度灾难问题。这两个阶段交替进行,最终得到高质量的稀疏PU分类器。实验结果表明,在10个高维度的PU数据集上,相比于当前高性能的PU学习算法,LMAO-PUL取得了较好的分类精度和稀疏度。（2）针对PU数据中的噪音和冗余样本问题,本文提出了基于多目标进化算法的鲁棒PU学习方法BPUSS-MOEA。PU数据下的噪音与冗余样本受无标签样本的影响难以识别,对此本文将鲁棒PU学习转化为双目标PU样本选择问题,通过使用选择后的PU样本来构建鲁棒PU分类器。为了解决此双目标优化问题,本文设计了一种双编码的多目标进化算法。其中,BPUSS-MOEA使用二进制编码来识别“干净”的PU样本,同时使用实数编码来表示无标签样本的预测标签及每个PU样本被选择为“干净”样本的概率。针对上述双编码的特点,本文提出了一种基于双编码的子代生成策略以产生具有竞争性的子代个体。此外,为了进一步提高算法的收敛性能,BPUSS-MOEA提出了基于双编码的种群初始化策略。实验结果表明,在不同噪音下的PU数据中,与已有的PU学习算法相比,本文所提的方法能够获得更加鲁棒性的分类效果。