深度学习的成功依赖于大规模具有精确标记的数据。获取数据真实标记需要大量人力物力,代价昂贵。实际应用中标记通常由众包等廉价方式收集所得,往往带有噪声。如果盲目地使用带噪标记数据进行学习,深度神经网络的性能会受到严重影响。因此,如何处理噪声标记近年来成为研究热点。基于小损失准则（small-loss criterion）的样本选择方法是当前深度学习中处理噪声标记使用最为广泛的方法之一。这一准则从带噪标记数据中选出损失较小的样本来更新深度神经网络,虽然在实际应用中取得了良好的效果,但仍然缺乏相应的理论支撑。本文对处理噪声标记的方法进行研究,主要取得了以下进展:1.给出了小损失准则的理论解释并基于此对其进行了重新形式化。本文首先对处理噪声标记的小损失准则进行理论分析,证明了当噪声转移矩阵满足对角占优条件时,对于具有相同观察标记的样本,标记正确样本的损失会比标记错误样本的损失更小,这解释了为何小损失准则能够奏效。基于此理论解释,使用平均损失和逐类选择对小损失准则进行了重新形式化。相应数据集上的实验验证了这一理论解释并表明重新形式化的小损失准则能够更加有效地处理噪声标记。2.提出了一种基于自监督和半监督学习的鲁棒深度学习方法。近来研究表明噪声标记会严重影响深度神经网络,特别是特征提取器。所提方法基于自监督来进行特征学习,以减轻噪声标记对深度神经网络的影响。同时,当前小损失准则方法往往抛弃大量未选中的数据,造成数据的极大浪费。为了充分利用数据,所提方法将未选中的高风险数据视为未标记数据,并基于半监督学习方式来加以利用。相应数据集上的实验表明这一基于自监督和半监督学习的鲁棒深度学习方法能够取得更好的效果。