یکی از مهم ترین روش های یادگیری ماشین، یادگیری با نظارت است که در آن برای آموزش سیستم از داده های برچسب دار استفاده می کنیم. اما گاهی اوقات تعیین برچسب تک تک نمونه های داده سخت و حتی غیر ممکن است و تنها برچسب هر مجموعه از نمونه ها مشخص است. در این مواقع از نوعی یادگیری به نام یادگیری چند نمونه ای استفاده می شود که برای کار با داده های مبهم به وجود آمده و امکان دسته بندی بدون مشخص بودن کلاس همه نمونه های داده را فراهم می کند. در یادگیری چند نمونه ای، داده های آموزشی، بسته های برچسب داری است که هر کدام شامل چندین نمونه بدون برچسب است. وظیفه این یادگیر، مشخص کردن کلاس بسته های جدید است. یادگیری چند نمونه ای در مسائل زیادی از جمله پیش بینی فعالیت یک دارو، تشخیص یک شی در تصویر و دسته بندی متون به کار برده شده است. در این پایان نامه دو الگوریتم برای حل مسائل یادگیری چند نمونه ای ارائه شده است. الگوریتم اول، ابتدا به کمک ویژگی های مسئله یادگیری چند نمونه ای، یک تابع هدف درجه دو تعریف می کند و سپس به کمک برنامه ریزی درجه دو، علامت نمونه های مجهول را طوری تعیین می کند که مقدار این تابع بهینه شود. الگوریتم دوم از یک روش احتمالی به نام اتوماتای یادگیر سلولی برای تعیین علامت نمونه های مجهول استفاده می کند. هر دو الگوریتم روی مجموعه داده های موجود در زمینه یادگیری چند نمونه ای آزمایش شده و به نتایج قابل قبولی در مقایسه با سایر روش های موجود رسیده اند.