多标签图像分类作为计算机视觉领域的基础任务之一,其目标是从复杂的图像中识别出多个不同类别的目标并赋予其对应的一组标签。随着近些年自然语言处理与知识迁移的发展,一些研究人员尝试将自然语言处理任务中学习到的语义知识迁移至多标签图像分类任务中,提出了一系列的极具创新性的多标签图像分类解决方案。尽管如此,这些探索多标签语义信息的方法往往只考虑将语义信息作为视觉特征的补充或者辅助信息来指导分类器的学习,而视觉空间、语义空间、标签空间三者之间潜在的相关性暂未得到有效的探索和利用,这为进一步提升多标签图像分类性能提供了一种可能的解决方案。基于上述发现,本文将从线性与非线性的角度对多标签图像分类中的标签语义特性展开研究:（1）多标签图像分类中的语义字典学习研究:引入字典学习技术,将多标签图像分类任务转化为语义字典查询任务,提出了一个深度语义字典学习模型。从标签的语义信息中派生出语义字典,利用字典原子的线性组合对视觉特征进行协同编码,以归一化后的协同编码系数作为视觉特征的标签嵌入,从而构建起视觉空间、语义空间、标签空间之间的线性表示关系,协调和探索三者之间的相关性。为了实现对语义字典与编码系数的联合优化,进一步设计了一种新的适用于深度字典学习的优化策略——迭代式参数优化策略。（2）多标签图像分类中的语义组合学习研究:在实际的应用场景中,图像的视觉特征往往不能被简单的视为所包含物体的类别原型的线性组合,而是更为复杂的非线性组合问题。为了进一步探讨多标签图像分类任务中的非线性语义组合问题,引入组合学习概念,提出了一个深度语义组合学习模型,对多标签图像中存在的非线性语义组合特性进行建模,并通过组合学习前后图像的视觉差异性来解决多标签图像分类问题。为了构建组合学习与多标签图像分类之间的联系,从常见的度量方式中派生出了变换表征距离用于度量组合学习之后的特征相对变化。在多个公开多标签图像数据集上的大量实验结果证明了,线性与非线性标签语义特性建模方式都可以显著的提升多标签图像分类性能,且在大型多标签图像数据集上非线性的建模方式明显优于线性的建模方式。