尽管神经网络在监督学习方面取得了显著进展，但获取高质量、大规模且精确标注的数据集仍面临重大挑战。在此背景下，如何在标签噪声存在的情况下进行有效学习日益受到关注。作为一项相对复杂的问题，当前多数方法为了获得良好性能，通常融合了多个领域的技术组件，如监督学习、半监督学习和迁移学习，导致方法结构复杂。此外，这些方法往往对数据噪声类型做出多种假设，从而影响模型的鲁棒性，并限制其在不同噪声条件下的泛化能力。本文提出一种新颖的问题设定——未知标签噪声学习（Learning with Unknown Label Noise, LULN），即在标签噪声的强度和类型均未知的情况下进行学习。在此设定下，与以往方法通常引入多重假设并导致复杂解决方案不同，我们提出一种简单、高效且鲁棒的框架——样本选择与重标注（Sample Selection and Relabelling, SSR）。该方法仅需极少的超参数，即可在多种噪声条件下取得当前最优（SOTA）性能。本方法的核心机制基于两个分类器：一个非参数化的K近邻分类器（Non-parametric KNN classifier, NPK）$g_q$，用于识别干净样本；一个参数化模型分类器（Parametric Model Classifier, PMC）$g_p$，用于逐步重标注噪声样本。整个过程无需复杂的附加组件，如模型协同训练（co-training）、自监督预训练或半监督学习等，同时对少数超参数的设置具有较强的鲁棒性。实验结果表明，SSR在包含合成噪声的CIFAR-10/CIFAR-100数据集，以及真实世界中的噪声数据集（如WebVision、Clothing1M和ANIMAL-10N）上，均显著优于现有方法。相关代码已开源，地址为：https://github.com/MrChenFeng/SSR_BMVC2022。