图像标签完备标注一般采用与待完备图像的近邻图像相关的语义标签进行补全,因网络图像数据资源的增加,成为目前图像自动标注（Automatic image annotation,AIA）中的一个重要研究内容。然而,由于用户语义标注的随意性,网络图像标签往往不完备且具有噪声,使得基于标签的图像检索性能不佳。而且,目前一些标签完备标注方法仅依据图像视觉特征或标签语义搜寻近邻图像,并利用候选标签实现标签补全,完备标注性能仍有待提升。为进一步提高图像标签完备标注的精度和检索效率,本文对融合视觉特征和语义学习的图像标签完备方法进行研究,主要工作如下:（1）给出一种基于视觉和语义互学习的标签完备标注方法。首先,为获得更高质量的近邻图像,提高候选标签的质量,利用待完备图像的底层特征和初始标签度量图像相似性并搜寻其近邻图像集。之后,为避免图像标注过程中多义词与同义词的出现,取候选标签与初始标签最大的视觉内容相似性和语义相关性作为其与待完备图像的视觉内容相关度和语义相关度。最后,利用候选标签频率优化候选标签并实现标签完备标注。在Corel5k和Flickr30Concepts数据集上进行实验,结果表明了该方法能够有效地补充图像标签。（2）给出一种基于特征融合和标签相关性扩展的图像标签完备标注方法。考虑到多种特征可以更准确地描述图像,使用了多种特征度量图像视觉相似度。为使标签相关性更加全面,通过结合标签共现频率和相关标签集对标签相关性进行扩展。首先,利用多种特征和加权语义进行近邻检索。然后,根据候选标签与初始标签的视觉内容相似性和扩展语义相关性度量其与待完备图像的关联度。最后,结合候选标签频率,选取关联度高的候选标签进行标签补全。实验结果表明该方法具有更好的标签完备性能。（3）实现一个图像标签完备标注系统。基于Matlab GUI平台,设计并实现了一个融合视觉特征和语义学习的图像标签完备标注系统。