随着网络技术的发展以及多媒体设备的日益普及,网络上的数据资源正在突飞猛进地增长。其中,图像作为信息传播的核心,可以传递更为丰富的语义,极大地丰富人民的工作和生活。人们可以通过检索关键字的方式搜索到他们需要的图像数据,然而大量的无标签图像限制了用户对它们的利用。在这种情况下,图像自动标注技术顺应时代而生。目前,在图像自动标注领域主要是利用传统的机器学习方法和深度学习方法来搭建标注模型。然而,传统的机器学习模型需要人工选择特征,这种方式会导致信息提取不完善。而基于深度学习方法的标注模型,在现有的被标注图像有限的情况下容易出现过拟合的现象。其次,无论是传统的机器学习方法还是深度学习方法,在标签决策部分,大多采用固定阈值的方式对标签进行预测,这样会导致当部分图像的标签预测概率均小于固定阈值时,预测标签集为空的情况。为解决上述问题,本文提出了以下模型:（1）针对标签数据集不足易导致的过拟合问题,本文提出了迁移学习下标签定位策略的图像自动标注模型。首先,搭建一个基于迁移学习的卷积神经网络模型,由于图像的底层特征大体一致,使用大型公开图像数据集对卷积神经网络进行预学习,加载已经成熟的权重文件,可以学习到很好的一般特征,之后再通过目标数据集对网络进行细微调整,使模型可以学习到目标数据集的高级特征。使用在大型数据集ImageNet上预先学习好的InceptionV3网络对目标数据集进行特征提取,可以解决目前的因标签数据集不足而导致的过拟合问题,其中,在网络模型部分引入SE模块,通过Squeeze、Excitation和Reweight三步操作给卷积层所提取的不同特征分配不同的权重,从而加强有用的特征信息,抑制无用的特征信息,实现特征的重标定。通过把预训练模型提取的特征加载到分类器中,训练适合该数据集的分类器,再利用冻结手段整体微调网络,得到最优模型。（2）针对固定阈值方式会导致预测标签集为空的情况,本文提出了融合阈值寻优卷积神经网络的图像自动标注模型。该模型由卷积神经网络和阈值寻优构成,首先,通过卷积神经网络训练模型,利用该模型对图片进行预测,得到预测概率,其中在卷积神经网络中增加了批处理层（BN）有效地加快了收敛速度。其次,利用该模型对测试集图片的预测概率进行阈值寻优,经过阈值寻优过程为每类标签得到一个最佳阈值,从而得到一组最佳阈值,只有当该类标签的预测概率大于等于该类标签的最佳阈值时,才会给图片标注该标签。在标注过程中通过载入卷积神经网络模型和一组最佳阈值可以实现对所需标注的图像更加灵活地标注,解决了固定阈值方式带来的问题。本文围绕图像自动标注技术展开研究,在深度学习的大背景下,研究了标签数据集不足和固定阈值方式带来的问题,针对这些问题,进行了深刻地分析和研究。理论上,对国内外关于图像自动标注的研究现状进行了深入的分析,同时对本文所使用的公共数据集的标签情况进行了研究,实践上,搭建了实验平台对实验结果进行了验证和分析,结果表明本文提出的图像自动标注模型可以有效地标注标签。