在机器学习中，多示例学习(Multiple Instance Learning 简称 MIL)是由监督型学习算法演变出的一种方法，定义“包”为多个示例的集合，具有广泛的应用。学习者不是接收一组单独标记的实例，而是接收一组带标签的包，每个包拥有多个实例。在多实例二进制分类的简单情况下，如果包中的所有实例都是否定的，则可以将包标记为否定。另一方面，如果包中只要至少有一个是正面的，则包被标记为阳性。根据训练数据的类型和变化，机器学习可以大致分为三个框架：监督学习，无监督学习和强化学习。 多实例学习（MIL）属于监督学习框架，其中每个训练实例都具有离散或实值的标签。 MIL处理训练集中标签知识不完整的问题。 更准确地说，在多实例学习中，训练集由标记为“包”组成，每个包都是未标记实例的集合。 如果袋子中的至少一个是阳性，则袋子被正面标记，如果袋子中的所有实例都是阴性，则袋子被贴上标签。 MIL的目标是预测新的，看不见的袋子的标签。