高分辨率数码相机的普及和网络传输带宽的增加造成了数字化图像的大量产生和堆积。大规模的图像数据库的有效管理与检索成为当前信息检索领域的重要课题。传统的基于内容的图像检索技术由于底层特征无法准确描述高层语义，不能很好地满足图像语义检索的要求。图像语义检索通过对图像建立文本索引，可以消除底层视觉特征与高层语义之间的“语义鸿沟”，成为了研究热点。　　 图像语义检索的关键问题在于如何自动对图像进行语义标注。图像语义的自动标注是高层语义特征和图像底层特征之间的一座桥梁。图像语义的自动标注本质上是一个“学习”问题，它通过利用已标注图像集或其它可获得的信息自动学习语义概念空间与视觉特征空间的关系模型，并以此来标注未知语义的图像。图像语义自动标注的难点来自于图像的多义性，从这角度看，图像标注问题是一个多标签分类问题。本文致力于利用多标签学习方法解决图像语义自动标注问题，在原有多标签学习算法的基础进行改进，提出一种新的多标签算法，并将之应用于图像语义自动标注。　　 本文所做的主要工作包括：　　 (1)综述国内外各种图像自动语义标注方法的研究进展以及它们的优缺点。　　 (2)阐述多标签学习技术的主要研究，分析其应用于图像语义自动标注的可能性，并总结了各种多标签学习方法的评价准则。　　 (3)研究RBF神经网络的原理及其算法过程与应用，分析K-均值聚类算法和模糊C平均聚类算法的聚类过程及其应用范围。　　 (4)深入研究分析ML-RBF算法，提出了一种改进的算法，即基于FCM的RBF神经网络的多标签学习方法，主要的改进在于RBF神经中心的聚类，采用FCM聚类算法。通过在相同的图像数据集上与另外四种多标签学习算法进行了对比，结果表明FCM-RBF算法的性能良好。