随着互联网行业的飞速发展,图像数据不断增长,图像大数据的时代随之而来。最初的单标签图像分类技术已无法满足含有多种复杂语义的图像分类需求。多标签图像分类技术应运而生。但是,我们需要努力创新出一些分类识别速度快,精准度高的多标签图像分类方法。本文针对多标签图像分类的过程,研究一些不同的网络结构在不同数据集上的分类性能。提取出的特征的精细程度与多标签分类器对最后的分类结果影响十分重要。而不同的网络结构以及参数设置也会影响着最后的分类精度。本文中主要在前人研究基础上探索一种新型的网络结构,致力于提升多标签图像分类精度。本文主要工作如下:1.阐述了深度学习的基础知识,从各方面重点介绍了卷积神经网络。本文采用的模型是在牛津大学科学工程系提出的VGG网络的基础上加以改进。主要将原来由13个卷积层与3个全连接层组成网络的池化层进行改进,采用空间金字塔池化取代原网络中的池化结构。同时,还将原网络中的目标函数换成了一种由最大边距目标函数、最大相关目标函数、熵损失函数共同结合的一种新型目标函数。根据研究发现,已被提出的HCP网络结构与我们改进后的VGG网络之间各有所长,因此我们将两种不同的网络结构进行了一个结合,互相弥补彼此之间的不足,以达到最佳效果。2.我们将设计的新型网络分别在PASCAL VOC 2007和PASCAL VOC 2012数据集上进行实验。分别使用两个数据集对网络进行训练,测试。测试结果表明我们设计的网络能够很好的处理多标签图像分类任务。我们采用不同的方法进行对比实验,例如:人工设计特征方法、浅层机器学习方法、还有一些不同种类网络结构的方法在相同的数据集上进行实验。实验结果表明,采用深度学习网络结构的方法要比人工设计特征、浅层机器学习方法更加显著高效。最后,我们实现一个简单的图像分类系统。该系统使用简单,图像分类效果显著。