随着互联网和数字媒体技术的普及，数字图像的数量迅速增加，数字图像的标注与分类问题受到了研究者们的广泛关注。本文尝试利用新型机器学习技术来辅助提高图像标注与分类技术的性能。　　 本文取得的创新成果主要包括：　　 1.针对图像与图像之间距离的非度量特性和图像库中有标记图像的稀疏问题，提出了一种基于非度量距离的标记传播方法(NMLP)，通过对非度量距离矩阵进行拆分来克服非度量距离造成的困难。实验结果表明，NMLP方法可有效地在非度量距离所建立的图上进行标记传播。　　 2.针对图像维数很高和一幅图像同时拥有多标记的问题，提出了一种多标记降维方法(MDDM)，通过最大化属性空间和标记空间的相关性，有效地利用了标记信息来指导降维。实验结果表明，MDDM可以有效地对多标记数据进行降维。　　 3.针对用户对图像中不同人脸的关注程度往往不同这一问题。提出了两种代价敏感人脸识别方法(mcKLR和mckNN)。通过显式考虑不同错误所造成的不同代价，避免了只考虑最小化错误数的弊端。实验结果表明，mcKLR和mckNN可以显著降低错误总代价，并显著减少高代价错误。