多示例学习的主要目的是通过学习训练集中的概念,为一些不可预知的包获取正确的类别标签。目前大量学者对多示例学习的理论及应用进行了研究,并取得了丰富的成果,然而多数研究工作都是在训练集中包的标签已知的情况下进行的。对于包中不含有标签的无监督多示例学习,可用的算法依然很少。而在多数情况下获取训练包的标签是一件很困难的事,或者需要花费很大的代价,并且无监督学习可以有效挖掘数据集的内部结构,所以研究无监督多示例学习算法具有重要的意义。在传统的监督和无监督学习中,每个数据对象都用单一示例进行表示,在多示例学习中,每个对象用一个包含多个示例的包表示。目前集中在多示例预测问题上的大多研究工作中,每个训练集中组成的包都含有一个二进制或者实值的类别标签,可以理解为传统意义上的分类和回归问题。本文为了解决无监督多示例学习的问题,提出了基于聚类与分类结合的多示例预测算法。算法的第一步是通过多示例聚类算法完成无标签训练包的聚类工作,用一些距离度量方法来测量包之间的相似性,采用聚类分析中通用的k-均值算法,将没有标记的训练包划分成k个互不相交的簇。算法的第二步是基于此聚类结果,将每个包重新表示为一个k维的特征向量,定义其第i维的特征值为这个包到第i个聚簇中所有包的平均距离,并将该簇的类别作为标签。在所有包都被转换为对应的特征向量后,就可以使用常用的监督学习算法来学习被转换的特征向量了,本文主要使用了三种不同的分类器算法进行实验。通过在标准多示例模型和广义的多示例模型上进行多次实验,并与其它多种多示例预测算法进行对比,研究证明了本文算法的有效性,并且在不同种类的多示例预测问题上都具有较高的准确度。