有序多分类方法得到了广泛的研究。传统的有序多重分类方法假设样本的类别标签中没有虚假标签。然而，由于实际数据的复杂性和人工经验的有限性，获得具有完全正确标记的样本是不现实的。因此，传统的方法具有局限性。提出了一种基于散度的有序误标记logistic回归方法，该方法在处理带有虚假标签的有序多分类问题时具有很强的鲁棒性，即当样本被错误标记时，其参数估计权重小于正确标记时的权重。该方法通过最小化散度来构建模型，并使用梯度下降算法对模型进行求解。它不仅具有很强的鲁棒性，而且可以忽略模型中的错误标记概率。仿真研究和实际数据分析都表明，有序错误标注方法在处理带有错误标注的有序分类问题上是有效的。