图像分类是计算机视觉领域研究热点之一,图像多标签学习方法更是在图像分类任务中有着广泛的应用。随着大数据时代的到来,图像数据日益猛增,由于不同领域对图像数据关注的角度不同,导致图像只标注部分的语义标签,图像所表达的语义信息不能被充分体现,即图像数据存在标签缺失。随着图像数据蕴含的信息量越来越大,对应的标签类别数目也在不断增加,对图像样本预测的可能标签集合会呈指数形式增长,导致在多标签分类过程中,面临预测输出空间庞大的问题。随着深度学习的发展,以卷积神经网络为基础的分类模型具有强大的表征能力,能够提取图像高级语义特征,对比传统的分类模型在性能和精度方面有了较大的提高。因此,本文针对标签缺失的图像多标签分类任务中存在预测输出空间庞大和训练数据不足等问题,提出以卷积神经网络为基础的深度残差网络作为主干网络,构造相关性残差网络树模型,用于多标签图像数据的分类任务。通过实验验证了该模型的有效性,主要研究工作如下:（1）提出深度网络树模型,对标签缺失的多标签图像数据进行分类。在深度网络树模型中,将每个深度神经网络作为该模型中不同的分支结构。然后,利用该模型的不同分支对图像数据中每个标签类别独立训练一个基分类器,对图像样本的每个标签类别属性进行预测,从而避免了多标签分类过程中预测输出空间庞大的问题。（2）提出基于标签共现性学习样本选择策略,用于解决训练数据不足和标签缺失图像样本对深度网络树模型训练过程中造成的干扰。通过从图像数据中原有的标签信息中计算两两标签类别同时关联于一个图像样本的概率,描述标签类别间共现性强弱。对于每个标签类别,选择与该类别共现性较强的标签类别对应的图像样本,作为正例学习样本,反之,作为负例学习样本,从而为深度网络树模型中的每个分支的基分类器,构造相应的二元训练数据集进行学习。通过在3个多标签图像数据集实验,得出以残差网络（Residual Network,Res Net）为基分类器的深度网络树模型,总体性能最佳,进而提出残差网络树模型（简称Res Net-Tree）。（3）提出相关性残差网络树模型（Correlation Res Net-Tree model,C-RNT）,对标签类别间的语义相关性加以利用,进一步提高模型分类性能。通过标签类别间的语义相关性构造标签相关矩阵,基于该矩阵的低秩结构表示,来挖掘标签类别间的高阶语义相关性,并利用低秩表示矩阵对原始标签矩阵进行增强,从而对图像样本与标签类别之间的关联性进行建模,得到相关性模型。利用最小二乘目标损失函数对Res Net-Tree模型与相关性模型进行联合学习,建立C-RNT模型,对图像样本进行标签恢复。实验结果表明,本文提出的C-RNT模型能够有效解决图像数据标签缺失下的多标签过程中预测输出空间庞大、训练数据不足等问题。较传统的图像多标签分类算法在各项性能指标有不同程度的改善,对图像多标签学习具有较强的理论和实际意义。