随着移动互联网的迅猛发展及移动智能设备的不断普及,社会化图像的数量爆炸式增长,社会化图像的标签因用户标注行为的主观性和随意性,造成图像标签不能很好地反映图像的语义信息。传统的图像标签完备方法往往只关注图像的主要内容而忽略了图像的次要内容,导致图像标签不能完全表达图像的实际内容。目前大多图像标注模型因存在误标注、少标注的问题,直接降低了图像的检索效率。图像标注作为有监督学习的一个典型应用,一直深受研究者的关注。其中,图像标注模型中度量图像样本损失函数的合适选取,对提升图像标注模型的预测准确率,具有重要的指导作用。因此,本文从分析损失函数对模型预测性能影响的角度出发,对有监督学习的常用损失函数及在图像标注中的应用进行了研究。主要研究内容如下:1)在综合分析现有有监督学习算法使用的损失函数的基础上,针对损失函数选择困难的问题,研究了常用损失函数的标准形式、基本思想、优缺点、主要应用以及对应的演化形式,总结了它们更合适的应用场景和可能的优化策略,为提升模型预测的准确率以及为构建新的损失函数提供了理论支持。2)在损失函数理论研究的基础上,构建单标签图像标注方法,并对比研究常用损失函数度量样本的性能差异。在实验的基础上,给出一种新的组合损失函数,并验证了组合损失函数的有效性。构建多标签图像标注方法,通过对比实验进一步探索损失函数度量样本的性能差异,挖掘损失函数与模型、数据集的内在联系,在实验的基础上,为提出的组合损失函数确定最优权重参数。实验表明,适合求解问题的损失函数可改善图像标注性能。3)给出一种基于卷积神经网络与Word Net的图像标签完备标注方法。该方法在损失函数研究的基础上,首先为卷积神经网络选择合适的损失函数,使用卷积神经网络挖掘与待完备图像具有相似特征的图像之间共享的背景标签;然后,利用Word Net的整体部分语义相关性,扩充主要标签的细料度特征标签;最后,使用多标签重要性排序算法过滤完备过程中产生的噪声标签并确定最终保留的次要标签。实验表明,该算法可有效补全社会化图像缺失的标签。