中文摘要：

随着研究的深入和应用的发展，越来越多的机器学习问题面对的是缺乏明确和完整监督信息的对象，特别是在线学习过程中，样本的这种弱监督性问题显得尤为突出。现有的弱监督学习方法大多是针对特定问题提出的，如半监督、多示例、多标签，本课题提出了一种多视的概率图模型方法，将各种弱监督问题、组合弱监督问题纳入到统一的框架下求解，并且将其推广到在线学习领域。周围环境或目标自身的变化往往是影响视觉跟踪精度的主要因素，对目标外观模型的在线学习是提高跟踪性能的重要手段。视觉目标的学习是一个典型的弱监督在线学习过程，很难实时得到在线样本完整、明确的监督信息，本研究将多视概率图模型应用于视觉跟踪的在线学习，提高目标跟踪的准确度。

结论摘要：

本课题针对弱监督学习问题开展了研究，在总结现有针对特定问题的弱监督学习方法的基础上，提出两种了统一的弱监督学习框架基于极大似然估计的EM Model和基于图方法的Graph Model，使其成为解决各种复杂弱监督学习问题的基础。在统一的弱监督学习框架下，分别提出了解决半监督学习问题的嵌入式流形直推自学习算法、解决弱标记学习问题的直推式多标记图方法以及解决多示例学习问题的示例选择泛化能力增强的MILD算法，上述算法在通用的机器学习数据集上均取得了优于现有方法的结果，证明课题所提出的统一弱监督学习框架的有效性。为了进一步验证学习框架在实际应用中的有效性，课题还开展了面向视觉目标跟踪的在线学习研究，提出了一种多特征自适应融合的目标外观动态模型，应用在线弱监督学习方法提高了视觉跟踪的鲁棒性和准确率。