多示例学习是继监督学习、无监督学习、强化学习之后的第四类机器学习框架。与以往的三大学习框架不同,多示例学习的训练数据中样本与示例是不同的概念。多示例学习作为一种新型的学习模式,近几年来受到学者们的高度重视,并成为研究的热点,广泛的应用于机器视觉、图像处理等应用领域。本文比较系统地研究多示例学习,将其与集成学习相结合,探讨基于多示例的集成学习理论和方法,并将其应用于目标跟踪和验证码识别这两个领域。本论文具体工作如下：(1)本文首先深入研究了多示例集成学习基础理论和基本原理,然后详细介绍三种具有代表性的MILBoost算法理论,以及阐述这三种算法分别应用于目标检测、跟踪和识别三个方面的优点和应用过程中存在的局限性,为后续目标跟踪和验证码识别工作做好充足准备。(2)针对多示例学习目标跟踪算法自适应获取正包时,正包中的正示例可能不具备辨别性,而且还易受到无益或有害示例的干扰,故不能很好的提取目标的鉴别性特征,影响了跟踪算法的稳健性。因此提出一种基于核密度估计的权重示例选择方法。先依据距离目标近的样本贡献大；而距离远的贡献小的原则,设置示例的权值大小,随后建立核密度估计函数来精简正包中的示例,剔除正包中无益示例或者有害示例,最后利用精简后的样本数据对MILBoost算法进行训练学习,实现对目标的实时跟踪。(3)针对某网站动态验证码字符种类多,形状和大小差异大,以及该验证码引入时间维度增加识别难度等特点。本文采用MILBoos t算法来识别动态验证码,然而在识别过程中会出现由部分匹配而导致误识别的现象,在此基础上使用重合面积比较方法降低误识别,最终成功地识别了该网站的所有不同类型的动态验证码,并在所有类型的验证码上都取得了较高的识别率。