近年来,随着数码摄影技术和互联网技术的迅速发展,海量的图像资源被互联网用户共享到社会化图像共享平台。这些社交图像的大量产生给图像的管理、检索和标注带来了很大的挑战,从而使图像标注和检索技术成为了计算机领域的研究热点之一。如今,社交图像的标签往往会出现不完整、不准确及语义模糊等问题,使得图像信息描述不准确,影响图像检索的准确性。因此,如何对用户提供的社交图像标签进行填补和纠错成为了图像标注领域的前沿性研究热点问题。已有研究者所提出的图像自动标注算法在图像标注准确性、适用问题规模等方面仍存在不足,本文基于稀疏学习领域的矩阵补全理论,深入研究和探讨了大规模社交图像自动标注算法。论文首先针对传统矩阵补全模型应用于图像自动标注所表现出来的先验信息融合性不足问题,通过引入图像-标签矩阵所固有的先验稀疏性,并基于图像间视觉内容和标签间语义属性所具有的先验一致性原则,将社交图像自动标注问题建模为一类融合先验稀疏信息的正则化低秩矩阵补全模型,并采用机器学习领域中流行的交替方向乘子法进行求解。仿真实验表明该算法较好地解决了社交图像自动标注所存在的标签缺失和含噪问题,有助于提高图像检索的效率。此外,考虑到标准的交替方向乘子法本质上仍属于串行优化方法,难以适用于大规模问题求解,因此我们引入并行多块交替方向乘子法和随机近邻梯度下降方法来改进模型的求解效率,进一步提出了一种基于并行多块ADMM(Alternating Direction Method of Multipliers)的大规模社交图像自动标注算法,该算法较好地解决了图像自动标注的大规模问题。