中文摘要：

多示例学习是机器学习和模式识别中的重要研究领域，本项目拟设计基于支持向量机的最大间隔多示例学习算法，对多示例学习问题进行研究。首先，针对多示例包中歧义性较大的示例，本项目提出基于相似度的多示例分类算法，通过相似度权重把歧义性较大的示例整合到分类器学习中，提高分类边界划分的精确性。其次，对于多示例分类中的知识迁移问题，构建基于分类器的多示例迁移学习算法，通过设计分类器之间的耦合参数，实现相关任务到目标任务的有效知识迁移。再次，在多示例聚类基础上引入成对约束，建立基于成对约束的半监督多示例聚类算法，通过成对约束先验信息的引入来提升多示例聚类性能。最后，设计在特征缺失情况下的多示例排序算法，通过在低维子空间中对排序函数进行重新定义，避免传统填补法中因数据填充不正确而产生的噪音。本项目旨在通过以上问题的解决为多示例学习算法的研究提供思路。