多标签图像分类作为计算机视觉里一项基本任务,它主要是用来预测图片中出现的物体所对应的标签。一种比较直接的做法是独立地处理图片当中每个物体,因此可以通过将该任务转换为几个二分类的子问题来实现多标签图像分类,每个子问题可以预测图像是否包含相应类别标签的对象。但是,这种简单的方法忽略了不同标签语义信息之间以及图像中不同物体的视觉特征之间的相关性,这在许多现有的多标签学习方法中也是如此。本文以距离度量学习在多标签图像分类当中应用为课题,重点研究如何使用度量学习去捕获图像特征之间关联性和标签特征之间关联性。近些年来,深度学习技术在各种图像分类应用中取得了巨大的成功。不同于现有的多标签学习方法,本文提出了一种被称为重构正则化双向深度度量学习(RETDM)的新颖框架,它,主要是利用了标签和图像特征之间有用的关联信息。具体来说,我们首先尝试学习一个嵌入子空间,其中原始图像和对应标签分别通过卷积神经网络和深层神经网络映射到嵌入子空间里。通过这两个网络,我们可以同时学习到图像特征和标签特征,并挖掘这些特征彼此之间的依赖性。此外,我们还提出了一种双向距离度量学习的方法,用于捕获图像特征和标签特征之间的相关性。最后,我们将重构网络作为正则项整合到整体框架中,以使学习到的特征更具有表征性。与多标签图像分类任务的其他代表性的工作相比较,本文所提出框架具有以下优势:1.我们提出一种端到端可训练框架,它将全面的距离度量学习整合进深度学习里,以用于多标签图像分类。2.本文提出了一种基于两个不同视图的双向距离度量学习方法,以捕获图像和标签之间的相关性,该方法专为多标签图像分类而设计。3.本文引入基于重构误差的损失函数,用于规范化标签嵌入空间,从而进一步提高模型性能。我们在公开可用的多标签图像数据集(例如Scene,Mirflickr和MS-COCO)上进行广泛地实验,从而对提出的模型框架进行评估。实验结果表明,我们的模型与现有的最新基准实验相比具有更好的性能。