自然图像往往是包含着多种物体类型的多标签图像。对多标签图像进行准确地分类,既是计算机进行高级视觉理解的基础之一,也在实际生活中有着广泛的应用。由于多标签图像中包含了多种类型的物体,且往往具有复杂的背景信息,实现其准确分类具有较大的挑战,强监督学习是一种较好的解决方案。然而,强监督学习模型需要代价昂贵的目标级或者像素级标签作为监督信息。为了降低强监督学习的成本,本文对弱监督学习条件下的多标签图像分类算法进行了研究。一方面,本文改进了当前主流的图像分类网络框架。在当前主流的图像分类网络框架下,不同类型的物体之间存在着严重的特征竞争现象。这种特征竞争使得各类别在分类过程中所能获得的特征信息量严重受到其样本数量的影响。为此,本文提出了多路网络框架,以降低这种类型间的特征竞争带来的负面影响。本文的实验证明该框架能够很好地缓解特征竞争现象,提升多标签图像分类算法的性能。此外,该网络框架还具有很好的灵活性,可以依据不同的任务,设计相应的网络结构。另一方面,受到人类视觉注意机制的启发,本文设计了基于注意机制的多标签图像分类模型。首先,本文在多标签图像分类网络中引入空间注意机制,促使网络能够更好地学习物体在图像平面上的空间位置信息,使其可以更好地理解应该“看哪儿”;其次,本文提出了基于通道注意的多标签图像分类方法,考虑了卷积网络中通道特征的全局信息,以突出有效特征,抑制噪声特征,增加特征间的关联性,进而让网络更好地理解应该“看什么”。本文通过实验证明,在卷积神经网络中引入这两种注意机制在一定程度上提升了多标签图像分类模型的性能。引入注意机制的模型能够准确地定位目标位置。同时,本文提出的注意模型相较于主干网络,只添加了少量的参数,具备轻量高效的优点。本文的研究工作表明,多路网络框架能够有效处理特征竞争问题,而引入注意机制,能够更好地提取图像中的物体特征,二者均有效地提升多标签图像分类算法的性能。此外,本文的研究工作为探索可端到端并行运算的,轻量高效的多标签图像分类算法提供了解决方案。