多标签的图像分类问题是计算机视觉与模式识别领域一个重要的课题。由于在现实世界中,诸如图像、视频、音乐、文档等对象通常均由多标签的属性描述,相比于与单标签的图像分类,多标签的图像分类是一个更为实际且复杂的问题。多标签的图像分类问题通常有着更为复杂的输出空间,且图像特征中,各个标签所对应的特征往往会在识别过程中互相干扰。为了对图像进行有效的多标签分类,本文提出了一种基于多重注意力机制的多标签图像分类方法。多重注意力,即同时使用两种不同的注意力模型——类激活映射与跨模态多头空间注意力。本文使用图卷积神经网络进行标签增强学习,并将得到的标签嵌入表示与图像特征之间进行跨模态的多头空间注意力计算。通过图卷积网络的得到的标签嵌入表示,隐式地标签之间的关联信息。以标签嵌入作为类激活映射的权重矩阵,以此使标签关联性的信息在网络中传递。通过这种利用标签嵌入进行注意力计算的方式,可以充分地利用由图卷积学习到的标签信息。最后,本文分别在三个标准多标签图像数据集MS-COCO、Pascal VOC 2007和NUSWIDE上对本文基于多重注意力机制的多标签图像分类方法进行了评估,实验结果表明本文方法的效果要优于或近似于已有的多标签图像分类方法。此外,本文还对实验中的一些参数进行了消融实验,分析参数变化对本文方法性能的影响。