随着互联网的飞速发展，人们正面临着包括图像在内的各种多媒体数据的爆炸式增长。如何快速，有效地从海量的图像数据中检索出所需要的图像是目前一个急需解决的重要问题。然而底层图像特征无法描述高层的语义，人们希望通过文本关键字对图像进行检索。为了解决海量图像的语义检索，对图像的自动化标注正是提取图像语义的一个非常重要的手段。建立一个能够拟合所有数据的全局模型相对困难，并且拟合效果可能较差。反之，拟合局部的数据往往只需要很简单的模型。以K近邻的基本思想为起点，研究局部模型结合标签关联进行图像的语义标注的方法，分别从分类和回归二种不同角度对图像标注问题进行了局部建模。在基于K近邻的方法中，分别考虑了不带权重、距离权重和排名作为权重。在分类模型中，将多标签问题转化为二类问题利用支持向量机进行求解，通过语义核函数以及标签语义关联后处理的方式研究考虑语义对标注结果的影响。在回归模型中定义了一个语义空间，将图像标注作为一个从底层特征到语义空间的映射过程，采用随机梯度下降的方法进行求解。通过一个考虑标签关联的损失函数整合到局部回归模型中，得到一个结合语义信息的局部回归图像标注模型。在Corel5k数据集下的实验结果表明，局部建模能够有效地提升图像标注的效果。其中局部的分类模型在训练“一对其它”分类器时会面临正负样本不均衡问题，通过不同的加权进行平衡处理后可以收到较好效果。考虑标签共现的语义关联信息，增加了模型复杂度却没有提升标注算法的效果。