随着互联网的飞速发展,在线社群图像的规模呈爆炸式增长,面对日益庞大的图像数据,如何对图像库进行有效的组织、管理和检索成为亟待解决的问题。标签是当前标注这些网络图像的重要方式,但是,由于受用户知识背景和主观感情的影响,导致用户对图像内容的描述是模糊的、杂乱无序的,最终导致用户从海量社群图像中检索目标图像变得非常困难。因此,标签排序问题成为图像检索领域一个非常热门的研究课题。基于此,本文提出一种基于稀疏表示的社群图像标签排序算法来解决标签重排序问题。现存的标签排序算法大致包含两类：标签相关性排序和标签显著性排序。本文通过对现有的标签排序研究成果进行详细的综述和分析,提出一种基于稀疏表示的社群图像标签排序算法。所谓稀疏表示,是指用很少的数据从大量数据里捕获感兴趣目标的重要信息。具体来说,对于非显著性图像集,该算法采用稀疏表示算法选择相似性图片集,然后通过近邻投票策略完成标签重排序；对于显著性图像集,该算法采用基于稀疏表示的多示例学习算法选择示例原型,然后通过视觉显著性分析依据标签对应区域的显著度完成标签重排序。本文将稀疏表示思想运用到标签排序中,为标签排序问题提供一种新的解决方法,具有重要的理论与实际意义。为了验证本文所提稀疏表示标签排序算法的有效性,本文在ECCV5k图像库和MSRC图像库上分别进行了大量实验验证与分析。实验表明,该算法具有良好的效果,相比现有的主流标签排序算法,性能有显著提高。