在传统监督学习中,一个样本通常对应单个标记,提供了明确的监督信息。在偏标记学习中,一个样本对应一组候选标记,其中仅有一个标记为真且未知。单标记样本更有利于模型训练,但获取代价较高;偏标记样本真实标记对模型不可见,训练更具挑战性,但获取成本相对较低。本文对偏标记数据利用进行研究,主要做了两方面工作。一方面,本文将偏标记数据作为单标记数据和未标记数据的桥梁,提出了一种新型半监督学习方法Eupal。该方法采用一种新的未标记数据利用机制,尝试估计包含未标记数据真实标记的候选标记集合,而非未标记数据的单个真实标记,从而降低未标记数据标记信息估计的难度。基于此,Eupal采用已标记样本与估计得到的偏标记样本分别构建多类分类器,并通过二者的标记信息交换实现模型更新。实验结果表明,Eupal方法可有效利用偏标记数据提升半监督学习系统的分类性能。另一方面,针对多标记分类面临的类别不平衡与标记含噪问题,提出了偏多标记类别不平衡学习方法Ipml。该方法综合考虑多标记样本与偏标记样本特性,基于k近邻聚合对偏多标记数据进行消歧,由此提出随机过采样、权重过采样以及合成过采样三种数据层面的类别不平衡处理机制。在人造及真实数据集上的实验结果表明,Ipml方法可有效缓解偏多标记学习面临的类别不平衡问题。本文共含四章。第一章节介绍偏标记学习的背景、研究现状以及待解决的问题,第二章介绍半监督偏标记数据利用方法Eupal,第三章介绍类别不平衡偏标记数据利用方法Ipml,第四章总结全文。