多标签图像分类是图像分类领域的一个重要研究课题,是对单标签图像分类任务的拓展。相对于单标签图像分类任务,多标签图像分类具有更大的复杂性,并且由于标签之间存在一定的相关性,所以探索标签之间的相关性来辅助多标签分类是一个十分有意义的课题。本文以多标签图像分类为目标,重点探索模型各部分蕴含的标签相关性对模型性能的影响。主要基于ResNet骨干网络进行改进,并在基准数据集（MS-COCO和NUS-WIDE）上均提高了分类性能。该课题的研究依托于国家自然科学基金“3D形变体的保测变换与稀疏流形嵌入识别方法研究”。具体工作包括以下几方面:●探索分类器蕴含的标签相关性对模型性能的影响。输入图像通过骨干网络的一系列卷积层得到抽象的图像特征,其中编码了图像中不同的语义信息,随后图像特征通过各个类别独立的二元分类器判断标签是否存在,因此推测不同标签对应的二元分类器蕴含标签相关性。首先探索一系列骨干网络的分类器蕴含的标签相关性,其次通过引入约束项来消除标签相关性,以及通过Word2Vec方法增强标签相关性,探索标签相关性对模型性能的影响。该工作在基准数据集MS-COCO上进行多标签分类任务的实验。● 探索图像特征蕴含的标签相关性对模型性能的影响。本工作提出了基于邻接相似度的图嵌入方法（ASGE）以及跨模态注意力机制（CMA）,尝试在骨干网络提取的图像特征中产生蕴含标签相关性的注意力图,通过注意力图来强化图像特征,由此在图像特征中引入标签相关性,探索在图像特征中引入标签相关性对模型性能的影响。该工作在基准数据集MS-COCO和NUS-WIDE上进行分类任务的实验,均取得不错的结果,并且该工作的一部分内容发表在AAAI2020会议中。●对第二个工作进行一系列改进,包括:将分步训练修改为端到端训练、为多尺度模型提供多个标签嵌入,以及探索不同的特征融合方法,使得改进后的模型能在基准数据集MS-COCO和NUS-WIDE上取得十分稳定的性能提升。本文主要采用Pytorch框架和Python语言实现上述研究中的算法,并进行了大量实验分析以验证算法的有效性。训练与测试样本来自微软提供的MS-COCO基准数据集,以及新加坡国立大学提供的NUS-WIDE基准数据集。我们基于ASGE模块和CMA模块提出了两个单尺度模型——分类器共享（CS）模型和分类器不共享（CU）模型,以及一个多尺度模型（MS-CS）,在MS-COCO数据集上,三个模型的mAP指标分别为82.6%、83.4%和83.8%,而在NUS-WIDE数据集上,CU模型和MS-CS模型的mAP指标分别为60.8%和61.4%。其次,尝试对网络结构进行改进,使得MS-CS模型在MS-COCO和NUS-WIDE数据集上的mAP指标提升为84.5%和63.5%,而CS模型在MS-COCO数据集上的mAP指标提升为83.3%,对分类器共享模型能得到较稳定的性能提升。