随着互联网技术的高速发展,诸如Facebook,Instagram和微信等众多社交媒体平台如雨后春笋般涌现,产生了海量的多媒体图像信息。用户常常浏览图像、收藏并转发感兴趣信息,促进了社交媒体图像的传播与流行。因此研究社交媒体图像流行度预测已成为当前的热点问题,在内容推荐、在线营销、媒体广告投放等领域具有重要意义。本文围绕基于深度学习的社交媒体图像流行度预测方法开展研究,主要内容包括:针对图像流行度预测面临的即时性要求,本文首先提出一种基于MSDNet的社交媒体图像流行度预测方法。该方法采用MSDNet提取图像信息特征并利用多尺度卷积得到高分辨率特征图;然后采用Text CNN模型提取文本信息特征,利用不同尺寸卷积核提取句子中的关键信息以更好地获取文本局部相关性;最后采用XGBoost算法作为回归器实现图像流行度预测。实验结果表明该方法预测效果与计算效率均优于现有流行度预测方法。此外,为了提升图像流行度预测精度,本文提出了一种基于Res Net的社交媒体图像流行度预测方法。该方法采用Res Net提取图像信息特征以有效解决深层网络训练时的梯度消失现象,保证输出特征的表达能力;然后采用New-Stacking算法作为回归器有效避免因数据量有限而导致的过拟合问题,提高图像流行度预测精度。实验结果表明与现有图像流行度预测方法相比,该方法明显提升了图像流行度预测精度。综上所述,本文针对社交媒体图像流行度预测面临的即时性与预测精度需求,提出了两种社交媒体图像流行度预测方法。实验结果表明所提方法有效实现了图像流行度的快速高精度预测。