图像标注作为图像分析与理解的重要组成部分,已广泛应用到图像检索、图像描述、视觉问答等众多领域。图像标注是利用机器学习模型给图像分配反映图像核心内容的标签。现有的图像标注过程主要包括特征提取及表示,模型训练和测试。模型在测试阶段通常使用固定长度的标签标注每一幅图像,而标签长度应取决于图像内容的复杂度。现有的图像标注评价指标侧重于标签的绝对正误,尽管有效地衡量正确标签的个数,但忽视了标签的全局相关性。因此本文从图像标注方法及评价指标展开深入研究,其主要工作如下:(1)提出了一种自适应标签长度的图像标注方法。首先,该方法提取图像的高层语义特征,根据语义特征预测图像的标签长度,预测的标签数量与实际标注任务更加一致;其次,利用相似图像和相关标签构建丰富的候选标签集合;最后,利用标签间的语义关系和采样算法从候选标签中选择具有代表性的标签,从而去除冗余标签。在常用的多标签图像标注数据集上,该方法与几种代表性的图像标注方法进行对比。实验结果验证了该方法可以预测更多正确的标签。(2)提出了一种基于语义树的图像标注评价方法,动态地评估标签的正确性及相关性。该评价方法根据标签的层级和同义关系,为相互关联的标签构造语义树;并且定义同一语义树下标签间的距离来衡量全局相关性。在此基础上,该评价方法将树状结构表示的标签关系融入准确率、召回率及F1值中,从宏观和微观的角度衡量标注模型的性能。在常用的多标签图像标注数据集上,该评价方法评估了几种代表性的图像标注模型。实验结果表明该评价方法能敏锐地捕捉预测标签与真值标签的语义关系,有效地评估模型性能。