在多标记学习任务中,一个示例对应多个标记,多标记学习与单标记学习相比有着更广泛的应用背景。但是在实际应用中很难获得完整的标记信息,这种基于不完整标记的数据样本的学习就是弱监督多标记学习,并且这类问题广泛存在。除标记缺失问题外,真实数据集往往同时含有特征噪声和标记噪声,但是传统的多标记学习算法大多都是基于训练样本没有噪声,或者只考虑了其中一种噪声,然而忽略任何一种噪声都将影响多标记学习算法的预测性能,因此如何构建一个噪声容错的多标记学习模型也是一个极大的挑战。针对上述挑战,本文围绕弱监督多标记学习模型算法,并基于标记增强,通过引入混合噪声模型,多视图学习提出了两个多标记学习模型,从不同方法和角度引入噪声容错机制,本文主要的贡献有以下三个方面:1.针对单视图且特征噪声和标记噪声同时存在的场景,提出了一种图趋势过滤诱导的噪声容错多标记学习模型。该模型通过组稀疏约束桥接增强的标记,并引入图趋势过滤机制来容忍含噪的样本特征与标记之间关联的不一致性,减轻特征噪声对标记关联矩阵的影响,从而在混合噪声场景下解决标记缺失问题,最后在7个真实多标记数据集上的实验也验证了该模型的有效性。2.针对不完全多视图并且标记噪声存在的场景,提出了一种基于潜在公共表示的不完全多视图多标记学习模型。该模型将单视图多标记学习拓展到了多视图多标记学习,在部分样本视图缺失的情况下,学习得到一个多视图数据的潜在公共表示,并通过组稀疏约束桥接增强的标记,从而在标记噪声存在的场景下解决标记缺失问题,最后在3个多视图多标记数据集上的实验也验证了该模型的预测表现能力。3.人工标注的大量格式化样本数据,为机器学习算法提供了支持和保障。然而随着标注成本的提高,对数据标注任务提出了新的挑战,为满足标注需求,本文设计并实现了一个图像标注系统,该系统利用本文提出的多标记学习算法,实现对图像数据的自动标注。