随着互联网的发展,海量数据唾手可得。在数据监督信息准确的情况下,传统机器学习已经在诸多领域取得了丰硕的成果。然而,在很多现实场景下,很多数据的监督信息是不准确的。往往会出现监督信息存在噪声、缺失监督信息或者监督信息存在歧义性等等问题,给这些数据标注完全正确的标签会非常耗时耗力。因此,如何在弱监督信息条件下有效地进行学习建模已成为机器学习领域的热点研究课题。偏标记学习（Partial Label Learning,PLL）是一类新颖的弱监督学习框架,主要解决样本监督信息不明确时的学习建模问题。由于监督信息存在不确定性,目前对于偏标记学习的研究主要集中在传统的机器学习方法上,使用深度学习技术来处理该问题的工作较少。考虑到自学习技术（self-learning）可以丰富数据的监督信息,深度学习技术可以提高了模型的表达能力,本文重点研究了基于自学习的深度偏标记学习算法,主要包括以下内容:1)阐明了偏标记学习的定义及应用场景,解释了与其他弱监督学习范式的区别及联系;概括了偏标记学习的研究现状,介绍了已有的经典偏标记学习方法,并对这些方法进行追根溯源,客观地探讨这些方法的优点和不足之处。2)提出了一种基于时序集成技术的深度偏标记学习算法（Deep Discriminative CNN with Temporal Ensembling,D~2CNN）。该算法以深度卷积神经网络为主干架,增强了模型的表达能力。为了提高模型的鉴别能力,我们在损失函数中设计了一项基于熵的正则化项。通过优化该项,模型的预测值会更加具有区分性。除此之外,基于自学习的思想,我们提出一种时序集成技术。运用该技术可以精炼出模型输出中的有效信息,作为额外的监督信号指导模型的训练,从而使模型训练得更加准确。该算法在各类模糊标记图像数据集上均能取得当前最好分类准确率。3)提出了一种基于网络协作机制的渐进式偏标记学习算法（Network Cooperation with Progressive Disambiguation,NCPD）。在该算法中,我们首先将样本的复杂程度考虑在内,先学习简单样本随后学习困难样本,设计了一种渐近式的学习策略。该策略减少了样本的假正性标签给模型带来的负面影响。更进一步的,为了缓和训练过程中由于监督信息不明确造成的错误累计问题,我们提出了一种网络协作策略。在该策略下,我们同时训练两个网络并使其在训练过程中彼此交互。通过该交互过程,两个网络会减少各自的样本分类错误,因此模型的最终分类准确率会得到提升。我们在多种数据集上进行实验,该算法在这些数据集上均能取得令人满意的效果。