随着摄影技术与设备的不断提高,商业图库也搭上了互联网平台这辆快车迅猛发展。商业图库中图像数据量激增,为用户提供的各类需求也越来越全面。为了对图像进行高效率的管理与使用,学者们提出了给每张图像进行标注,让图像含有准确语义的标签,在商业图库中实现高效的图像分类、检索、推荐等功能。但是仅仅凭借人力对每张图像标注花费的时间和成本都是难以估计的,因此图像自动标签系统和自动标注技术被提了出来。传统的图像自动标注模型得到的结果往往不准确。随着深度学习在图像领域取得的巨大研究成果,编码器-解码器模型成为实现图像自动标注技术的常用方法。本文主要以商业图库为背景,编码器-解码器模型为基础,将图像标注技术进一步优化,将优化后的模型应用到图像自动标签系统的开发中。主要工作如下:（1）针对图像自动标注技术中图像特征提取不充分和生成的语义不丰富这两个问题,提出了基于ResNet101-LSTM的图像自动标注模型。分别从编码器和解码器上进行了改进。编码器采用ResNet101网络作为编码器,解码器则使用长短期记忆模型（LSTM）代替了普通的循环神经网络（RNN）来优化生成的语义。（2）由于通过编码器得到图像特征后,预测单词的时候并不需要用到全部的图像特征,只需要将注意力放在一些特定区域上就可以完成对图像的预测。这样既可以避免冗余计算,又可以提高对单词预测的准确率,最后将得到的更加准确的图像语义描述。于是在ResNet101-LSTM模型的基础上引入注意力机制,提出了基于注意力机制的ResNet101-LSTM模型。（3）对于图像自动标注模型中,相比较其他文本理解任务,由于每张图像对应的标注句子较少,所以需要已经经过大规模语料预训练的模型来表示词向量。Bert模型与其他的词向量模型相比,在处理一个单词时,可以从该单词的前后单词着手,通过前后单词的词义,推测出单词此时的语义,这样使词向量表达更加得准确,得到的语义信息也更加的充分。Bert模型作为本论文的词向量模型,提出基于Bert的核心语义提取的图像自动标注模型。（4）以Bert的核心语义提取的图像自动标注模型,构建了一个基于商业图库的图像自动标签系统。具体介绍了自动标签系统的需求分析、系统的逻辑结构、每个部分的详细设计和功能、以及数据库的设计和系统最终实现的各个页面。