随着互联网不断发展,移动智能设备的不断普及,互联网中充斥的大量的无标签图像,如何有效的利用管理这些图像成为亟待解决的难题。对海量数据进行人工标注耗时耗力,而图像自动标注技术能够对图像进行标签预测,受到了研究学者的广泛关注。但图像标注的过程中存在仅考虑标注词之间的关联关系,并未考虑标注结果的语义重复问题。并且通用数据集中标签类的分布不平衡,从而影响图像标注的召回能力。针对上述问题,本文提出了两种图像自动标注算法,有效的实现对图像的标签预测功能。具体内容包括:(1)针对标签分类不平衡的问题,提出了一种基于重构图学习的图像标注算法,算法通过图学习将相似图像的标签进行传递,完成图像标注。算法首先针对数据集中标签分类不平衡问题,提出改进最近邻方法,构造一个最近邻图像集,实现标签平衡。同时对图学习算法的初始图进行重构,保证算法的准确性。并且利用标签间共现不平衡现象,提升弱标签的召回能力,从而提高标注性能。(2)针对标注结果中出现语义重复问题,本文提出了一种基于语义结构与条件生成对抗网络的图像标注算法。在通过生成器与判别器对抗生成标签的过程中,引入了条件行列式点过程来约束生成过程,使得标签生成的多样性。然后利用图像间相似关系,对标注结果进行修正。最终通过加权语义路径约束预测标签的选择,实现图像标注。本文对所提出的两个算法均在图像标注领域的三个基准数据集上进行实验,并且对比算法均选择本领域较为经典的算法进行比对评估。对实验结果进行分析,基于重构图学习的图像标注算法能够有效解决标签分类不平衡问题,提高弱标签的召回能力。同时,基于语义结构与条件生成对抗网络的图像标注算法在实验中表现出了显著的性能,证明语义结构的重要性。综合两个实验进行对比分析,本文提出的算法在整体性能都有着较为不错的表现,实现了算法在图像标注任务中的准确、高效的进行标签预测。