多示例学习是与监督学习、非监督学习和强化学习并列的第四类学习框架,目前已广泛应用于药物设计、图像搜索等领域,并已获得很好的效果。在多示例学习中,训练样本是由多个示例组成的包,包是有概念标记的,但示例本身却没有概念标记,学习的目的是预测新包的类别。多样性密度(DD)算法是一种典型的多示例学习算法,能够根据概率学习到比较接近的目标函数,但DD算法尚存在两点不足。首先,DD算法只学习到一个目标函数,该算法的学习能力有待提高;其次,在预测新包时,如果一个包中至少包含一个正例,则该包是一个正包,否则即为反包,没有考虑某些样本存在正例稀疏的特点,在对重叠示例的包进行分类时,通常出现把反包误分为正包的情况。首先,本文针对DD算法只能学习到一个目标函数的缺点,提出了多概念DD算法,多概念DD算法通过学习多个目标函数,较全面的描述目标概念。其次,本文针对在预测新包时,没有考虑某些样本存在正例稀疏的特点,提出了基于重叠示例的分类算法,该算法通过改变示例在包分类时的影响策略,消除反包中个别示例的噪声。本文在理论优化的基础上,将改进算法应用在图像检索和鉴别microRNA前体中。在图像检索中,将多概念DD算法与基于重叠示例的分类算法相结合,多概念DD算法全面获得了读者感兴趣的概念,重叠示例的分类算法滤除了反包中个别有正例性质的噪声,并且实验结果优于以前的DD算法;另外,本文使用多示例学习算法鉴别microRNA前体的真伪,使用重叠示例的分类算法对真伪microRNA前体进行分类,也得到了理想的效果。