随着机器学习人工智能的快速兴起,传统的单标记已经难以准确的描述对象,多标记学习逐渐成为大家研究的热点。在多标记学习框架下,有用的数据越多,对于对象的描述就更加的准确。但是随着信息的不断增加,冗余的信息也会随之增加并且严重影响最后对于对象的描述与判断。特征提取就是一种处理数据高维性的一种有效的方法,通过对于原始的特征空间,过滤掉一些冗余或者无关的信息,选择出一组包含了原始特征空间全部或大部分有效信息的特征子集。但目前已有的多标记特征提取算法很少有充分利用特征信息并充分提取“特征-标记”独立信息及融合信息。而图像分类中关键点的特征提取直接影响到分类的效果。在上述特征提取研究基础上,我们进一步思考了零样本图像的分类问题。众所周知,图像分类问题就是虽然一直是计算机视觉领域的一大研究热点,但传统模型只能对已见过的对象进行分类,面对没有训练集的样本却毫无办法。因此零样本学习被提出来解决模型中出现的未见过对象。目前已有的零样本学习算法大多是对图像特征映射与语义向量映射的改进,或者是利用生成式对抗网络,将零样本图像分类任务转化为传统图像分类。但是以上的方法都没有考虑到原始数据集中特征与标记之间的信息。针对上述问题,本文主要研究工作如下:(1)针对“特征-标记”,“特征-特征”的信息,提出了一种特征标记依赖自编码器的多标记特征提取方法(multi-label feature extraction method relied on feature-label dependence autoencoder,MIMLFE),该方法使用核极限学习机自编码器将标记空间与原特征空间融合并产生重构后特征空间;结合主成分分析与希尔伯特-施密特独立准则分别提取“特征-特征”和“特征-标记”信息;使用多标记k近邻算法分类器进行分类。(2)针对零样本图像分类问题,提出了一种特征标记依赖的零样本图像分类算法。该方法首先将标记空间与特征空间融合产生新的特征空间,然后,利用标记信息,通过主成分分析来降低特征提取过程中的信息损失,最后再结合CRnet模型进行零样本图像分类。(3)由于之前实验中所使用的数据集均为处理过后的数据,而真实的图像数据更贴近真实世界。为了将理论运用于实际解决实际问题,和队友们一起参加了第三届中国数据挖掘大赛(国际首次蝴蝶识别大赛),提出针对蝴蝶分类模型。通过使用Faster-RCNN算法作为框架,使用ResNet50进行深度特征的提取。实验结果取得了总排名第21名的成绩,也表明实验方法可以对蝴蝶图片进行定位和分类,并有一定的实际意义。