自动图像标注是一种给未知图像添加能够描述该图像语义内容的关键词的技术,是计算机视觉领域中图像检索与图像理解的关键步骤。本文针对传统图像标注模型难以训练不平衡数据、标注过程单一难以提升整体标注效果、人工选取特征效率低下等问题,在模型理论、标注框架、视觉特征等方面提出了多个解决办法,本文的主要工作包括:(1)针对传统浅层机器学习算法在处理复杂分类问题时存在泛化能力不足的问题,提出了基于非线性栈式自动编码器(NL-SAE)的自动图像标注模型。该模型主要针对图像标注数据不平衡问题,提出一种增强训练中低频标签的非线性平衡栈式自动编码器(NL-BSAE),并在此模型基础上提出一种分组强化训练NL-BSAE子模型的非线性鲁棒平衡栈式自动编码器算法(NL-RBSAE),提升了标注的稳定性,从而保证模型本身具有较强地处理不平衡数据的能力。此外,本文提出以未知图像作为出发点,通过并判定该图像的高低频属性来决定不同的标注过程,构建融合NL-RBSAE的属性判别标注框架(NL-ADA),保证了标注过程具有较强地应对不平衡数据的能力。(2)针对非线性SAE模型在训练过程中,收敛速度缓慢,不适合训练中小型数据集的问题,提出了基于线性栈式自动编码器(L-SAE)的自动图像标注模型。该模型首先建立增强训练中低频标签的线性平衡栈式自动编码器(L-BSAE),并在此模型基础上提出一种分组强化训练L-BSAE子模型的线性鲁棒平衡栈式自动编码器算法(L-RBSAE),最后构建融合L-RBSAE的属性判别标注框架(L-ADA),该方法改善了非线性SAE模型训练中小型数据速度上的不足。(3)针对传统图像标注方法中人工选取特征费时费力,以及传统标签传播算法忽视语义近邻而影响标注效果等问题,提出了融合深度特征和语义邻域的自动图像标注方法。该方法首先构建基于深度卷积神经网络(CNN)的统一、自适应深度特征提取框架,接着对训练集划分语义组并建立待标注图像的邻域图像集,最后根据视觉距离计算邻域图像各标签的贡献值并排序得到标注关键词,该方法可以实现自适应特征提取并改善标注效果。通过在三个公共数据集上的实验结果表明,本文提出的方法有效改善了模型训练不平衡数据的效果,提升了中低频标签的标注效果,提取的深度特征相比传统人工特征有着维数更低和效果更好的优势。综上,本文提出的多个方法都较好地改善了整个模型的标注准确率和准确预测到的标签总数。