近年来，带噪声标签的图像分类算法的研究受到学界的广泛关注，其中O2U网络是一种利用噪声标签样本在过拟合与欠拟合2种状态下损失值表现不同这一特性而设计的去噪声标签学习框架，但是该方法面临着噪声标签样本清除不彻底的问题。为解决该问题，提出了一种基于O2U网络改进的带噪声标签图像分类方法。通过修改去噪框架的部分损失函数，使得网络在去噪后的数据集上具有鲁棒性，降低了O2U网络清除噪声标签样本不干净带来的影响。实验结果表明，相比于直接使用O2U网络，提出的鲁棒损失函数与去噪框架结合的方法在MNIST、CIFAR-10和CIFAR-100数据集上均能提升分类效果。总结标签噪声率与噪声分布对分类的影响，表明分类效果由噪声率和噪声分布共同决定。