在机器学习系统的训练与测试阶段，噪声数据的存在十分普遍，这不可避免地导致模型性能下降。过去十年中，已有大量研究聚焦于在分布内（in-distribution, IND）噪声标签下的学习问题，即部分训练样本被错误地标记为与其真实类别不匹配的标签。然而，在实际应用中，还需考虑分布外（out-of-distribution, OOD）样本的影响，即那些不属于任何已知类别的样本，而这一问题尚未得到充分探索。为此，本文提出一种新的问题设定——开放世界噪声数据学习（Learning with Open-world Noisy Data, LOND），其目标是从包含IND与OOD噪声混合的数据集中，同时学习一个分类器和一个OOD检测器。本文提出一种基于图结构的新框架——噪声图清洗（Noisy Graph Cleaning, NGC），该方法通过利用数据的几何结构以及模型预测的置信度，自动筛选出干净样本。该方法无需额外训练，在测试阶段即可直接基于学习得到的类别原型，实现对OOD样本的检测与剔除。我们在多个基准数据集上进行了实验，针对不同类型的噪声，结果表明，所提方法在性能上显著优于现有最先进方法。