图像自动标注在解决网络上图像信息过载问题中起到了很大作用,用户可以通过图像的标签来检索分类图像。图像领域中,图像自动标注问题的研究主要通过挖掘图像内容或标签信息等辅助信息提升模型效果,但多倾向于挖掘图像内容,对于标签等辅助信息的研究不够深入。本文主要以推荐的思路,从标签信息等辅助信息入手,解决给图像推荐标签的图像自动标注问题。分别从推荐系统的经典算法和新兴方法两部分着手,经典算法采用矩阵分解,近几年兴起的方法主要采用深度学习和图论。通过用推荐的方法给图像补全标签,辅助完成图像分类和图像检索。推荐系统研究的经典问题是通过用户和商品的信息,给用户推荐合适的商品。本文将图像类比成推荐系统中的用户,将标签类比成推荐系统中的商品,利用图像和标签之间被标记的关系,以及图像的内容信息,标签之间的关系,进行分析研究,给图像推荐标签。首先,对推荐系统中的矩阵分解这一经典算法进行描述分析,介绍了矩阵分解方法的原理、优势和缺点。针对其存在的训练时间长,可解释性差的问题,将贝叶斯（BPR）优化法则与矩阵分解结合,给出BPR优化的矩阵补全图像自动标注模型。充分利用图像与标签之间的偏序关系,以提高算法训练速度,增强结果可解释性。其次,采用推荐系统与深度学习、图论结合这一思路,把利用深度卷积神经网络（CNN）获取图像视觉内容信息的子模型和利用标签关系图谱获取更深层次语义信息的子模型融合,给出基于CNN-图扩散的图像自动标注模型。通过在预训练过的Res Net101上训练模型,获取图像的视觉内容信息;再根据标签之间的共现关系,构建标签关系图谱,利用标记过图像的历史标签集作为种子节点,进行图扩散,获取深层次的语义信息;将学习到的语义信息与图像视觉信息结合在一起,综合衡量与图像更为匹配的标签列表,完成给图像推荐多个标签的任务。最后,对于本文提出的BPR优化的矩阵补全图像自动标注模型和基于CNN-图扩散的图像自动标注模型在真实的数据集Image Net、NUS-WIDE和MSCOCO上分别进行了算法有效性验证。