針對現(xiàn)有的大部分多示例多標記（ MIML）算法都沒有考慮如何更好地表示對象特征這一問題，將概率潛在語義分析（ PLSA）模型和神經(jīng)網(wǎng)絡(luò)（NN）相結(jié)合，提出了基于主題模型的多示例多標記學(xué)習(xí)方法。算法通過概率潛在語義分析模型學(xué)習(xí)到所有訓(xùn)練樣本的潛在主題分布，該過程是一個特征學(xué)習(xí)的過程，用于學(xué)習(xí)到更好的特征表達，用學(xué)習(xí)到的每個樣本的潛在主題分布作為輸入來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。當(dāng)給定一個測試樣本時，學(xué)習(xí)測試樣本的潛在主題分布，將學(xué)習(xí)到的潛在主題分布輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，從而得到測試樣本的標記集合。與兩種經(jīng)典的基于分解策略的多示例多標記算法相比，實驗結(jié)果表明提出的新方法在現(xiàn)實世界中的兩種多示例多標記學(xué)習(xí)任務(wù)中具有更優(yōu)越的性能。