图像分类是机器学习和模式识别领域中一个十分重要的研究热点,其目的是基于标签已知且完整的图像数据集训练一个分类器,并对新样本的标签进行预测和分类。传统的图像分类问题通常是单标签分类问题,即一张图片仅对应一个类别标签。然而,现实世界的图像往往具有多义性,即一张图片通常和多个类别标签相关联。针对传统的单标签学习框架难以解决的多义性问题,通过给样本对象明确地指定一组相关类别标签的标签子集,多标签学习框架应运而生。现有的大多数多标签学习算法都是假设训练样本的标签集是完整的,然而,在实际应用中,训练样本的标签往往是不完整的。并且,训练样本的标签通常采用人工标注,耗时又耗力,而且由于人工标注存在主观性,标签语义存在歧义,致使训练样本的部分标签漏标、缺失。随着互联网和社交媒体的发展,大量由用户标注并上传的图像数据唾手可得,但是这些图像数据往往存在标签缺失问题。如何利用这些容易获取却具有标签缺失问题的数据来训练一个健壮、有效的多标签分类算法,仍然是一个亟待解决的问题。本文主要研究针对存在标签缺失问题的多标签图像分类问题,主要研究内容如下:1.利用标签间固有的关联性以及示例间的相似性,提出了一种基于示例级和标签级关联的多标签图像分类算法。该算法首先采用线性重组策略计算每个示例与其近邻示例间的相似性,其次采用标签矩阵的低秩表示挖掘标签间的高阶关联性,然后采用一种加权最小二乘损失函数保证给定标签与预测标签的一致性,最后,通过拉普拉斯流形正则化联合两种关联以及损失函数构建最终的目标函数。在多个图像数据集上的实验证明,该算法能够有效处理标签缺失问题。2.基于低秩特征映射与低秩标签恢复,提出了一种针对标签缺失问题的双重低秩的多标签图像分类算法。该算法首先假设算法的特征映射系数矩阵具有低秩性,来挖掘特征空间中的标签关联。然后假设标签关联矩阵是一个低秩矩阵,来挖掘标签间的高阶关联性,并同时利用低秩的标签关联恢复原标签矩阵的缺失标签。然后通过保证预测标签与恢复后的标签之间的一致性,将标签关联的提取、标签恢复与模型的训练结合到一起。最后通过正则化引入示例级的关联性。