计算机视觉任务需要一种媒介作为信息载体,而图像是最基础并且最常见的信息载体,其中图像分类和图像目标检测任务便是以图像为信息载体的最基础的计算机视觉任务之一。通常而言图像可以分为单标签图像（比如图像中只包含“狗”或“猫”）和多标签图像（比如图像中包含了“天空”、“白云”和“彩虹”）。在现实生活中,如果不刻意为之的话,我们获取的图像往往包含多标签信息,因此针对多标签图像的研究具有真实场景下的广泛应用价值。多标签图像学习是针对如何利用图像多标签信息的一个计算机视觉领域研究方向,其目的是利用图像的多标签信息来改进计算机视觉相关任务。然而由于多标签图像中每张图像所包含的标签各不相同,并且每张图像包含的标签数量也不固定,这使得图像多标签的研究相比单标签更具挑战。目前主流的研究多标签图像学习算法主要从两个方面展开,一是利用多标签图像信息改进多标签图像识别算法,该方向的关键是如何合理并且高效地建立标签之间的关系。二是利用图像多标签信息辅助其他计算机视觉任务,该方向的重点是如何合理地挖掘图像多标签信息并有效的与这些计算机视觉任务相结合。本文基于深度学习方法,从利用多标签图像信息构建标签之间的关系以改进多标签图像识别方法和辅助图像目标检测任务这两个角度出发对多标签图像学习展开研究,主要工作包括:1.提出了一种基于多标签图结构的多标签图像识别方法。捕获标签之间的关系是解决多标签图像识别问题的关键,现有的方法主要分为构建图像间标签关系和图像内标签关系两大类。目前构建图像间标签关系的方法都需要额外的信息（词嵌入向量）来构建图节点,而这些额外的信息可能会对性能造成影响。本文方法利用网络结构过滤出每个类别的特征激活向量来作为图节点信息,因此无需任何额外信息来辅助训练。具体来说,首先本文设计了一种高效的方法来从数据集中挖掘出标签之间的共现关系,然后采用图卷积网络来把这些关系构建成图结构。此外,本文还从输入图像的全局特征中解耦出每个类别对应的特征激活向量来作为图结构的输入节点。在网络的学习过程中,类别特征激活向量之间的信息会通过图结构的有向边进行传播,并以此来构建图像间的标签关系。在多标签数据集上的实验结果表明本文的方法能有效提高多标签图像识别的精度。此外,在多标签图像的部分标签识别任务上,本文的方法也能得到非常有竞争力的结果,这表明本文的方法具有良好的泛化能力。2.提出了一种基于度量学习的多标签图像识别方法。除了研究如何合理地构建图像间标签关系之外,本文还研究了如何构建图像内的标签关系。现有的构建图像内标签关系的方法多是使用注意力机制来间接地构建标签的关系,因此无法准确建立图像内的标签关系。而本文通过重新设计网络结构,并采用度量学习的方式来直接的捕获图像内的标签关系。具体来说,本文首先解耦出每个类别对应的类别相关特征。然后本文把类别相关特征映射成相应的标签向量,并且通过拉近相关标签向量的距离,同时拉远不相关标签向量的距离来构建图像内的标签关系。此外,本文还设计了排序操作来进一步的优化标签向量之间的距离。最终,相关标签向量之间的距离会约束网络在训练中的特征学习过程,这将让相关标签的类别相关特征具有相似的激活程度,从而构建图像内的标签关系。大量的实验结果和可视化结果证明了该方法能有效建立图像内的标签关系并提高多标签图像识别任务的精度。3.提出了一种基于图像多标签上下文信息的目标检测方法。图像的多标签不仅可以应用在多标签图像识别任务中,还可以用来辅助其他计算机视觉任务。本文从图像目标检测任务出发,分析了当前的二阶段目标检测器由于忽略了图像多标签信息,从而造成感兴趣区域特征可能缺少关键的上下文信息,而这些上下文信息对于抑制背景错误正例以及识别不具有明显外观的物体是至关重要的。虽然目前有部分方法在致力于挖掘上下文信息以提高检测性能,但是由于受到特征激活位置不准确和感受野的影响,因此检测器的性能提升有限。为了解决上述问题,本文利用了图像的多标签信息来挖掘检测器的上下文信息。具体来说,本文首先利用图像多标签将上下文信息嵌入图像全局特征中。然后,本文通过利用该特征在整个图像和感兴趣区域生成层次上下文感兴趣特征。最后,为了能充分利用层次上下文感兴趣特征,本文设计了两种不同的融合策略来对检测器原始的感兴趣特征进行融合,以此来提高检测器的分类能力。全面的实验表明,本文的方法灵活且通用,对于几乎所有的主流二阶段检测器都产生了显著而一致的改进。此外,本文还对该方法在一阶段检测器上进行扩展,实验结果表明本文的方法依然能够提升一阶段检测器的性能。