该文综述噪声标签学习（LNL）研究，涵盖邻域集合估计以清除噪声标签并保留干净样本、新型噪声BadLabel及对抗鲁棒方法、联合建模标签与标注者质量以优化众包标注、带噪声源分布知识的学习（性能提升5-15%）、联合优化估计真实标签、整合逻辑规则的Logic-LNCL、元学习标签纠正EMLC及噪声容忍训练算法、半监督框架筛选高准确度数据，以及应对细粒度噪声标签的SNSCL。