随着智能手机、家用电脑等数码设备的普及和通信技术的发展,图像等可视化数据在互联网的共享平台上随处可见,为了对其进行有效的管理和使用,研究者们提出了图像检索技术。但由于技术限制和用户的习惯,搜索引擎都提供基于关键词的图像检索,这种检索方式需要提前使用关键词对图像进行标注,但仅依靠手工的方式进行标注时间成本和人工成本是难以想象的,因此图像自动标注技术迅速发展起来。传统的图像自动标注算法由于模型复杂且泛化性能差,存在标注结果准确率低等缺点,为此,本文提出了两种基于卷积神经网络的图像自动标注算法。主要工作如下:（1）针对图像中小尺度目标标注准确率低和标注的类别不均衡的问题,提出了融合多尺度特征和代价敏感学习的图像标注方法。该方法对VGG16的网络结构进行了调整,添加了特征融合模块。特征融合模块分为多尺度特征提取和特征融合。多尺度特征提取模块从卷积特征提取多尺度特征,特征融合模块在网络学习过程中自适应的融合特征,并在多标签损失函数的基础上提出了代价敏感的多标签损失函数。实验表明,融合多尺度特征和代价敏感学习的图像标注算法能够在保证高频标签标注性能的同时,提升对低频标签的标注性能。（2）针对图像标注数据集存在的训练样本不充足和标注的类别不均衡的问题,设计了基于双卷积神经网络的图像标注方法。首先提出了基于生成对抗网络的图像扩充方法,与传统图像扩充方法相结合解决训练样本不充足问题;其次改进卷积神经网络结构,引入可形变卷积和滤波池化来加强对不同尺度对象的标注能力;最后对数据集进行划分,划分为全部数据集和低频标签数据集,分别独立训练两个卷积神经网络模型,并设计标注结果融合模块对两个模型标注结果进行融合,低频数据集训练出来的模型更适用于标注低频标签,降低了类别不平衡对低频标签的影响。实验表明,基于双卷积神经网络模型的图像标注算法能够提升图像标注的准确率。