大多数偏标签学习算法的候选标签集生成方式没有很好地利用部分样本的可靠先验信息，建立的模型不适合现实情况中部分样本存在易混淆的候选标签的情况。另外，很多偏标签算法仅利用近邻节点来构建图，忽视了可靠度高的样本的信息的重要性。针对如何生成更符合现实情况的候选标签集并有效利用可靠度高的样本的信息，本文提出一种新的基于实例的近邻传播偏标签学习算法（Instance-based nearest neighbor propagation partial label learning, INNPL）。INNPL在候选标签集生成方面更好地利用先验信息，通过求取同一类内两两样本的相似度来选取可靠度高的典型样本并信任典型样本的原始标签，对其他样本的候选标签的生成根据它和典型样本中心之间的相似度进行。此外，INNPL迭代地根据样本的近邻样本和近邻典型样本建立和更新图结构，对样本分层逐步地进行标签传播，最终得到可靠的分类结果。本文基于三种UCI(University of California Irvine)数据集和两种图像数据对INNPL进行测试，并和七种偏标签学习方法进行全面的比较。准确度、精确度、召回率和F1分数四种分类指标评估结果显示，INNPL在三个数据集上达到最优，在另外两个的数据集上与最优算法结果相近。关于准确度指标，INNPL算法与其他任意一种偏标签算法经过配对t检验比较的结果同样证实了INNPL算法性能优异。综合不同数据集的四种分类指标结果，INNPL的综合排名位列第一。总之，INNPL从多个实验中证实了自身的有效性，可以有效提升分类准确度，也为偏标签学习提供了新的解决思路。