场景分类是图像分类的一种特殊情况,它根据图像的视觉内容为图像赋予相应的语义类别,相对于一般的图像分类,场景分类训练的数据集可能较小,且场景分类往往是多标签的,同时类内差异明显,类间又有很多相似性,使得多标签场景图像的有效分类存在诸多挑战。深度学习在识别图像中的对象方面具有非常优异的表现,基于深度学习的图像分类在特定任务上早就超过了人类的平均水平。本文利用深度学习相关神经网络算法良好的特征提取优势,结合多示例多标记学习(MIML)和迁移学习相关理论建立分类模型,给定一组图像,识别图像中包含的场景或对象来对它们进行多标签分类。基于深度神经网络的多示例多标记学习算法,将BP神经网络和RBF神经网络引入到多示例多标记学习框架中,分别建立MIMLNN算法和MIMLRBF算法的分类模型,能够采用非线性函数为标签相关性建模,描述出更为复杂的标签同现关系,同时将标签的相关性反馈到输入来提高系统的性能。与传统的MIML相关算法相比分类效果优势明显,同时通过改进MIMLRBF算法中Hausdorff距离表达,提出改进的W-MIMLRBF算法,进一步提高多标签场景图像分类效果。基于迁移学习的多标签场景图像分类算法,消耗少量的计算资源与训练时间即可实现场景图像的有效分类。在计算机视觉任务中运用深度学习技术,将已训练的模型作为新模型的起点是一种常用的方法。本文基于已经训练好的Inception-V3网络模型,在其基础上进行参数与知识迁移,保留Inception-V3模型用于图像特征提取的卷积层,修改其全连接层以满足多标签分类输出要求,基于迁移学习训练出的分类模型可以有效地提取出图像的本质特征,在多标签分类评价标准上取得了优异结果。