近年来,随着众包模式的不断兴起,深度学习领域也从中收益,大量的标注任务从原本费时费力的专家标注转变为众包标注,大大提高了标注数据的规模。通过众包方式进行标注,具有经济、方便、高效的特点。但是,由于标注者数量庞大,标注质量参差不齐,导致冗余标签中存在误差甚至错误,必须经过分析处理才能聚合形成最终标签。本文针对图像标注进行了研究,引入EM算法对众包域值标注的标签质量进行评估,并且对传统算法进行改进,主要工作如下:(1)在众包标注过程中,会产生大量重复标签,因此对标签的真值推理和对标注者的标注质量评价非常重要。本文在研究EM算法基础上,通过加入含有黄金标签的标注任务,对初值进行优化,过滤低质量标注数据,用较少的标签获得较高的标注质量,从而降低标注成本。(2)传统的EM算法模型没有对数据标签的可信程度进行研究,本文对EM算法模型提出改进,提出了域值标注的概念,并且定义了漏标和过标的质量评价指标,增加标签域置信度参数,用来衡量标注者对不同标注对象的可信度,可以使得算法更加灵活,对标注者质量评价更加准确。(3)本文引入经典的K-means算法对最终标签域进行聚合,在众包标注过程中,由于冗余标签的准确度存在差异,所以聚合中心点应该偏向高质量的标签,因此本文改进了K-means中的距离公式,对标注点进行准确率加权,提高标签域聚合准确度。