由于移动电子设备的普及,人们可以随时随地接收和发送一些多媒体信息,越来越多的人通过社交网络例如Facebook、Instagram分享他们的照片、视频,从而导致了大量图片数据的产生。如何管理这些大量的图片成为一个亟待解决的问题。在这些大量的图片中大部分和人脸相关,因此人脸标注对于图片的管理、分类来说是一个非常重要的工具。传统的人脸标注方式有手工标注和自动化标注。手工标注是一个准确率较高的标注方式,但同时也是一个耗时、费力的方式。而自动化人脸标注依赖大量的标记数据训练模型。由于手工标注成本较大以及自动标注方式对标记数据的依赖,本文以人脸标注研究为基础,基于主动学习的半自动人脸标注方式为研究对象,利用结合了人脸的先验约束和上下文信息的分类模型,提出了高效的人脸标注方法。传统的分类模型基于样本之间的相似度进行分类,但由于人脸受到光线、角度、遮挡等诸多因素的影响,往往性能较差。本文利用人脸样本之间的约束(例如在同一张图片上出现的两张人脸肯定来自不同的人),提出了一个半自动人脸标注模型。该模型以马尔可夫随机场为基础,加入样本之间的匹配和非匹配约束,采用置信度传播算法更新样本状态,预测样本的标签。实验结果表明,在传统分类算法模型基础上加入人脸之间的约束可以提高分类的正确率。近年来,卷积神经网络得到了深入研究,并且取得了很多优秀的成果。不同于传统的分类模型,卷积神经网络直接将图片样本作为网络的输入,不需要对图片的抽象特征进行预提取,而人脸的特征提取一直是具有挑战性的任务。本文在卷积神经网络基础上,提出了一种基于平滑假设的半自动人脸标注模型。该模型利用了人脸样本之间的约束、上下文信息,并在网络更新的过程中加入基于平滑假设的平滑约束。实验结果表明加入了平滑度、约束和上下文信息的半自动人脸标注模型可以获得更好的性能。