随着信息科学技术的发展,图像已经深入人们生活的方方面面,图像中的内容也越来越复杂。多标签分类比单标签分类更能准确的描述图像中的内容,因而得到广大研究者的关注,并成功应用在智能管理相册、自动驾驶、广告推荐和视频监控等领域中。为了进一步提高多标签图像分类的效果,本文提出了基于语义空间注意力机制的多标签图像分类模型和基于语义通道注意力机制的高分辨率分类模型,具体的研究内容如下:（1）提出了基于语义空间注意力机制的多标签图像分类模型。该模型包括两部分,用于获取标签语义词嵌入的图神经网络和基于语义空间注意力机制的图像特征提取网络。现有的构造图神经网络中标签相关性矩阵的方法,常常忽视了标签间潜在的“正相关”、“负相关”关系。为了解决这个问题,本文在使用标签静态统计信息的基础上增加了能够描述标签潜在关系的标签词向量来共同构造标签相关性矩阵,标签词向量采用BERT的预训练模型生成。在此基础上,本文把标签语义信息引入空间注意力机制,在语义信息的指导下,生成的空间注意力图能够显式的对标签间相关性进行建模,进而提高模型的准确率。在Microsoft COCO数据上,本文提出的模型在m AP上取得了84.3%的最好成绩,验证了本文提出的方法的有效性。（2）提出了基于语义通道注意力机制的高分辨率分类模型。首先,本文使用高分辨率网络提取图像中不同尺度物体的图像特征,避免小尺度物体的特征被卷积操作和池化操作覆盖。其次,本文将标签语义信息引入通道注意力机制并在此基础上提出了语义融合特征模块,该模块用于融合高分辨率网络输出的不同分辨特征,最终实现了一个能在标签语义信息指导下提取图像特征的多标签图像分类模型。在Microsoft COCO数据集中,本模型的m AP比基准模型提高了2%,验证了本文方法的有效性。（3）基于前面两种模型设计并实现了一套公共场所的危险物品检测系统。本系统能对公共场所的危险物品进行检测预警,提高了公共场所的安全性,也能够减轻视频监控人员的监控压力。