图像分类是计算机视觉领域的研究重点之一。而随着信息技术的飞速发展,多标签图像的识别与学习成为了许多深度学习领域研究人员的关注重点。与单标签分类不同的是,多标签图像分类是需要对图像中出现的一组目标标签进行预测分类。为了提高分类效果,需要对标签依赖进行建模,在实际的分类场景中,由于存在数据量庞大、种类较多、标记不易等原因,图像数据常常含有大量缺失标签信息的弱标记图像。如何利用这些缺失了部分标签的图像来执行分类任务并取得良好的效果,是当前深度学习研究的热点之一,也是本文的研究内容。针对图像标签缺失的多标签图像分类算法,如何提升算法的分类效果,本文基于图卷积模型对遇到的两种不同类型的缺失标签的多标签图像数据进行的研究,主要的工作如下:1、研究基于图卷积神经网络的多标签图像分类算法,并针对多标签图像中只有部分标签被标记的多标签图像提出了一种适用于此类型多标签图像的基于图卷积神经网络的算法。由于标签存在着相关性,本文通过改造条件函数的方式来建立一个有着标签之间的相互依赖关系的模型,并设计了一个标签相关系数矩阵用来对标签相关性开展模型构建。这样的方式可以充分地分析标签的拓扑架构,提升其之间的知识共享水平。这样的模型可以在出现缺失了部分标签的情况下减小由于标签缺失所产生的误差,从而提高了对标签信息进行预测补足的能力。根据三个已有的多标签数据集实验可知,该模型在标签信息不完整的情况下对标签之间的依赖关系探究方面和多标签图像分类方面均取得了良好的效果。2、针对图像中只有部分标签被标记和标签缺失的问题,随着标签空间中标签数据不断增加,需要构建的全局有向图和构建标签相关系数矩阵越来越大,矩阵更新所需的时间复杂度和空间复杂度有了极大的提高。因此本文提出一种适用于此类型的缺失部分标签的多标签图像分类算法模型。该模型构建了部分结构关系矩阵来描绘不同标签间的关系,在局部关系矩阵内利用了低秩特征映射来加强挖掘特征空间中标签的关联性,可以借助低秩标签具备的关联特性来恢复矩阵中已经丢失的标签以辅助分类过程的进行。将改进的算法在数据集上进行分类试验,试验结果表明此类算法可以有效的恢复标签,并且提高了分类的性能。通过本文的两个主要工作进行多标签分类算法的设计以及对相关实验数据集进行调整修改后,在实验环节安排上,采用了三种在多标签领域具有代表性的实验数据集与其他四种多标签分类算法进行比对验证。通过详细准确的实验结果表明,本文所提出的基于GCN的多标签图像分类算法在对于仅包含部分标签的数据集中学习分类,能够有效的对缺失的标签进行恢复,并具有显著的分类效果。