在现实世界中,许多人在互联网上分享照片、文本等不同种类的信息,这些数据可以被标记多个标签。利用好这些数据,寻找到可用标签和数据之间的关系,可以指导人们更好地学习、工作。传统的多标签学习任务就是学习一个有效的模型,为未知数据赋予多个标签。通常,在训练集中,一个样本标注多个标签,并且所有标注的标签都是精确的。然而,精准标注大规模样本是困难的,一般在标注时,由于疏忽,标注者往往会将一些样本无关的标签分配给样本,所以导致在真实场景中,一个多标签学习样本往往带有噪声标签,这样的情境称为偏多标签学习。传统的多标签学习方法和偏标签学习方法很难有效地解决偏多标签学习问题,其难点在于如何区分样本的真实标签和噪声标签,从而进行有效地学习。基于此,本文深入研究了偏多标签学习问题,针对现有方法存在的问题,提出了两种不同的偏多标签学习方法。（1）现有的方法大多数只注重于标签的消歧,而未使用标签关系进行建模,但是标签关系对于多标签样本是一个十分重要的信息,忽略标签关系导致这些方法性能是有限的。另一些方法虽然考虑了标签关系,但是对于偏多标签学习来说,噪声标签往往会使得真实的标签关系被破坏,这样错误的标签关系参与模型构造,导致模型性能下降。基于此,本文提出了基于稀疏非对称标签相关性的偏多标签学习,可以获得可靠的标签置信度。具体来说,本文将非对称的标签关系矩阵限制为稀疏,稀疏性使得模型得到真实的标签关系矩阵,然后根据观测的标签矩阵和标签关系矩阵得到标签置信度,同时将特征的线性投影函数约束为低秩,建立其与标签置信度间的联系,最后进行迭代优化。（2）在偏多标签学习中,现有的大多数方法仅仅将冗余的标签看做是噪声标签,而忽略了特征也可能包含冗余信息的问题。此外,现有的很多偏多标签学习方法利用的一致性损失忽略了判别特征的选择,由于噪声的影响,特征空间中错误的流形结构,会影响标签空间的学习,从而影响模型的性能。为了缓解上述问题,本文提出了一种基于耦合字典学习和公共流形的偏多标签学习方法。具体来说,字典学习可以提取出特征空间中具有的判别性信息,通过关联和更新特征空间和标签空间的字典,寻找耦合空间的公共结构来融合不同空间的信息,为特征和标签空间生成公共编码表示,以执行特征和标签的匹配,建立特征和标签空间的关系。同时,字典学习可以隐式地捕捉到特征相关性和标签相关性;并且考虑到标签和特征中都会有噪声的存在,在学习公共编码的过程中,同时学习特征空间和标签空间各自的噪声信息,进一步加强了公共编码的提取。此外,在偏多标签学习任务中,由于相对于公共信息来说,噪声信息往往在占有比较少的比例,所以本文约束噪声信息是稀疏的。另一方面,特征空间的噪声信息不应该影响标签空间的学习,所以本文保持了标签空间和特征空间具有公共流形表示,以提高学习性能,于是本文提出了新的一致性损失。