多标签图像是指一张图像中含有多个关注对象的图像,对于多标签图像的研究主要是多标签图像分类。多标签图像分类目前存在的问题主要是分类精度和分类时间没办法有很好的平衡,并且模型的适应能力较差。多标签图片学习目前主要的方向是问题转换和模型适配,问题转换主要是在思想和策略上进行优化,模型适配是通过改变模型的结构来适应多标签,为了得到更强泛化能力的模型,本文在多标签图像分类中开展了详细的研究,主要贡献如下:（1）提出了问题转换和模型适配两个方向的改进方法,针对多标签图片分类场景模糊和方法选择困难的问题进行研究,在问题转换的方向,设计了基本分类模型和结合高级策略的分类模型,在模型适配的方向,对多标签输出改造并采用迁移学习进行训练。最后发现问题转换方法在小数据集中能得到比较好的分类效果,但是分类的时间是模型适配的数倍,模型适配的方法可以节省大量的时间,更容易进行推广。高级策略可以减少部分预测时间,但是精度会有一定的下降。（2）提出了MobileNetV2特征提取网络结合可解释的集成模型的网络结构,针对图片多标签分类问题分类时间过长问题,先采用迁移学习对MobileNetV2进行卷积神经网络的回归模型预训练,然后采用MobileNetV2的训练模型进行多标签图片的特征提取可以减少分类模型的所占大小,采用可解释的集成模型改造成多输出回归结合阈值选择可以完成多标签分类任务。经仿真发现,轻量化复合网络可以达到和单模型一样的预测精度,但是模型大小比起单模型小的多,且预测时间要快。（3）提出了resnet50特征提取网络和Light GBM回归算法的网络结构,针对多标签模型分类准确率不高的问题,对resnet50网络优化其网络结构引入了全局平均池化层和全连接层,可以提取到更好的特征,采用训练好的改进resnet50模型进行特征提取改造,采用Light GBM模型进行多标签分类。仿真后发现,该网络有非常好的分类准确率,复合网络结构比起单模型预测精度高出3.7%,可以看出复合模型在多标签分类中具备很大的优势。