Dans ce travail, nous considérons le cadre de classification multi-classes avec des exemples d'apprentissage présentant des imperfections dans leurs étiquettes de classes. Nous modélisons cette imperfection avec un modèle d'erreur probabiliste. Sur cette base, nous dérivons des garanties théoriques pour un classifieur de vote majoritaire en étendant la borne C multi-classes, une borne supérieure du second ordre. Enfin, nous montrons empiriquement le comportement de la borne et discutons de son application pour les approches semi-supervisé basées sur le pseudo-étiquetage, en particulier pour l'auto-apprentissage.