当前,基于卷积神经网络的深度学习技术在计算机视觉等多个领域取得极大成功,也是最具代表性、最有效的方法。但是深度学习技术严重依赖于标签准确且类别间数据平衡的大规模数据集。然而,大规模的标签准确的数据是极难获取的,同时真实世界的数据集大多存在类别间样本不平衡的问题。针对计算机视觉领域中的图像分类和人脸识别任务,如何有效利用标签噪声的数据或类别间不平衡的数据训练出理想的深度学习模型是一个亟待解决的难题。本文针对标签噪声问题和类别间样本不平衡问题进行了深入的分析与研究,其中标签噪声问题基于人脸识别任务,类别间不平衡问题基于图像分类问题,本文的主要研究工作包括:1)针对大规模标签噪声数据的深度学习问题,提出了一种由易到难的学习策略,自动发掘干净与噪声数据,保证干净数据得到学习而放弃对标签噪声数据的学习,在类别内标签噪声和类别外标签噪声两种标签噪声环境下均取得了很高的准确率。2)针对真实世界数据集中普遍存在的类别间样本不平衡问题,设计了一种结合采样策略和平衡损失函数的方法,在对数据进行重采样后根据每个类别的样本数量进行平衡损失函数计算,方法在提升了图像分类准确率的同时加速了模型的训练。在大规模人脸数据集和多个图像分类数据集的实验结果证明本文方法可以有效解决标签噪声问题和类别间样本不平衡问题。