随着互联网尤其是移动互联网的快速发展,全世界每天都会产生海量的图像数据,这些图像数据中包含了极为丰富的信息,为有效的利用这些信息迫切的需要对图像进行分类处理,通常一副图像包含多个目标,场景,行为等。因此,在对此类图像进行分类处理的时候,需要使用多个标签对图像进行分类。多标签图像中的目标存在一定的语义关联性,目前大多数多标签图像分类算法忽略了标签之间的语义关联性,本文对基于深度网络的多标签图像分类方法展开了深入的研究,通过循环网络来对标签的关联性进行建模。全文主要研究内容如下:1.阐述了多标签图像分类的研究背景和现状。详细介绍了多种基于深度学习的多标签图像分类方法,讨论了这些方法中一些重要理论与关键技术,并分析了这些方法的优劣处,此外对多标签图像的分类评价指标和数据集做了简要的介绍。2.以往的很多方法往往忽略了标签之间潜在关联性,目标之间的这种潜在关联性能够在一定程度上的提升多标签图像的分类效果,针对该问题提出了基于递归语义关联的多标签图像分类方法。此方法使用深度卷积网络来提取目标的语义特征,利用特殊设计的注意力网络在卷积特征的通道维度分离目标特征,最后将分离后的特征输入到LSTM(Long Short-Term Memory)网络来对目标之间的关联性进行建模,最后通过对比实验表明本文提出的模型能够有效的提取标签之间的关联性,并在一定程度上提升了分类效果。3.现有的多标签分类网络难以识别较小的目标,从而导致模型对小目标的召回率较低的,针对此问题提出一种特征金字塔结合编解码架构的多标签图像分类算法。首先,此方法受最近目标检测网络FPN(Feature Pyramid Network)的启发,利用特征金字塔网络提取图像的特征,特征金字塔网络将高层的语义信息和低层的细节特征进行融合,形成较大分辨率的特征图,避免深度卷积网络下采样过多而忽略了小目标,其次该方法引入了自然语音处理领域中的编解码(Encoder-Decoder)架构,该架构利用双向LSTM对卷积网络的特征进行编码并提取标签的关联性此后再利用单向LSTM进行解码并获得分类结果。最后通过实验表明我们的方法不仅有效的提升了小目标的识别效果,也有效的捕获了标签之间的关联性。