多标签图像识别是计算机视觉领域中一项基础而实用的任务,其目的是同时对图像中存在的多个物体进行预测。因其广泛应用于属性划分、目标检测、搜索引擎等实际场景中,所以该任务具有巨大的研究价值。相较于传统的单标签图像识别,由于多标签任务中的图像包含丰富的语义信息,因此建模变得十分具有挑战性。建模标签之间的相关性是多标签图像识别任务中的核心研究课题,并且随着深度学习中图神经网络的快速发展,加快了多标签图像识别的研究进程,对于标签相关性的学习也提出了新的思路。基于相关内容的研究,本文提出一种利用图注意力网络（GAT）的多标签图像识别算法,该算法首先设计了一个基于GAT网络的标签分类器模块,该模块将Glove模型训练的词向量作为标签节点的先验输入,并且采用余弦相似性的方法自适应的生成标签关系图,同时GAT网络利用掩码机制自动为邻域节点分配不同的权重参数,进而对标签关系图中各节点所含有的标签类别聚合生成具有标签相关性的分类器;然后通过ResNet-101网络对图像进行特征提取,获得图像的视觉特征;最后,将学习到的标签分类器和图像的视觉特征结合,进而完成多标签图像识别,以此提升识别性能。以往的多标签图像识别方法结合标签分类器矩阵和图像视觉特征时,往往采用点积方式简单的进行融合,忽略了不同模态之间的复杂交互而严重限制了模型的收敛速度和识别精度。针对这一问题,本文在基于GAT网络的多标签图像识别算法的基础上,引入了多模态因子分解双线性池化（MFB）作为融合交叉模态嵌入的有效工具,提出了一种基于GAT的多模态融合快速多标签图像识别算法,该算法由三个关键模块组成:（1）图像视觉特征提取模块,利用ResNet-101学习并生成图像视觉特征;（2）标签分类器学习模块,该模块首先利用单词嵌入技术获得标签向量,然后采用GAT网络学习到具有标签相关性的分类器;（3）MFB模块,该模块设计了适用于多标签图像识别任务的MFB融合模型,并通过级联多个的MFB进而有效的融合分类器和图像特征,以此完成多标签图像识别并提高识别性能。为验证所提算法的有效性,分别在国际权威数据集Pascal VOC2007和MS-COCO2014上完成实验并与目前的优秀算法进行了比较,证明了本算法在提高多标签图像识别精度和加快模型收敛速度方面是较为优异的。