随着信息时代的到来,数码相机和手机几乎成为人们生活中不可缺少的一部分,人们随时随地都可以拍出一幅图像,这就导致图像数量呈爆炸式增长的趋势。那么,摆在人们眼前的一个急需解决的问题就是,如何将这些图像进行分类管理。基于此,学者们先是提出了传统的监督学习框架,然而像自然场景这样比较复杂的图像,该框架并不能很好地解决问题,随后学者们又相继提出了多示例(MISL)学习框架、多标记(SIML)学习框架和多示例多标记(MIML)学习框架。本文将多示例多标记学习框架应用到自然场景图像的分类中,对自然场景图像中多示例多标记分类进行研究,做出的主要工作如下:(1)介绍了几种经典的自然场景图像分类算法,包括忽略示例和标签之间相关性的MIMLBOOST算法和MIMLSVM算法以及考虑示例和标签之间相关性的M~3MIML算法和MIML-KNN算法。然后结合五个算法评价指标,通过实验对经典自然场景图像分类算法进行评估,实验表明考虑了示例和标签相关性的算法性能更好。(2)研究了在多示例多标记框架下发展而来的MIMLRBF神经网络模型。针对MIMLRBF算法在样本中包含非有效示例表达和孤立点情况下分类效果差的问题,将谱聚类和改进包间距度量公式引入MIMLRBF中,提出了基于MIMLRBF自然场景图像分类的改进算法,有效解决了非有效示例和孤立点对分类效果的影响。然后结合五个算法评价指标,通过实验将改进算法与原有算法以及经典自然场景图像分类算法进行评估,实验表明,改进后的算法具有更好的分类效果。(3)基于稀疏编码和多层神经网络提出了一种改进的多示例多标记图像分类方法。分析了稀疏编码技术及其应用和自然场景图像分类的编码过程,阐述了多层神经网的发展及其模型设计。针对稀疏编码过程中可能会导致示例的不完备性,将稀疏残差加入编码结果中,构成一高维向量示例,有效解决了稀疏编码后示例不完备对分类效果的影响。然后结合五个算法评价指标,通过实验将改进算法与原有算法以及经典自然场景图像分类算法进行评估,实验表明,改进后的算法具有更好的分类效果。