随着信息技术和多媒体技术的快速发展,多标签分类由于在多媒体图像标注、社交网络数据挖掘、影像标注等多个场景有广泛的应用,已经逐渐成为一个重要的研究课题。不同于单标签分类任务中每个样本只对应一个标签,多标签分类任务中每个样本可以与一组标签关联,需要输出多个标签信息。尽管在多标签学习任务上,多年来已经取得了一些进展,但是目前仍然存在许多困难。由于多标签实例中标签通常是有关联的,因此,如何学习和捕获多个标签之间的相关性是多标签学习任务中的重点和难点。根据近年来研究发现,图卷积神经网络可以捕获多标签中的标签相关性,具有可扩展性和灵活性,是其他方法无法比拟的。因此本文提出基于图卷积神经网络的多标签学习模型。本文研究内容和创新工作主要包括:（1）提出了一个全关联网络,在使用图卷积神经网络考虑标签相关性的基础上,同时充分利用视觉特征的相关信息,具体方法为引入一个鲁棒的协方差矩阵,将卷积特征总结为全局图像表示,用于在多标签分类任务中捕获特征相关性的表示,相比于传统方法能够提取更有效的特征。为了更好的结合特征和标签的相关性,将训练集样本输入网络得到图像级矩阵后,与标签矩阵进行运算得到相关矩阵,将相关矩阵与标签统计矩阵基于重加权方案构造有效的标签相关矩阵,并将其输入到图卷积神经网络中以获取标签相关性。（2）针对现有多标签学习算法较少兼顾标签相关性和不平衡性的问题,提出了一种基于图卷积神经网络的类不平衡多标签学习模型,主要利用图卷积神经网络来学习标签之间的相关性,同时,建议少数类的正则化比频繁类的正则化更强,这样可以改善少数类的泛化误差,从而减小类不平衡对分类性能的影响。