多标签分类旨在准确分类出同一个图像中不同物体所属的类别,广泛应用于文本分类、图像识别等实际场景中。多标签分类研究中存在两个核心问题,第一,如何利用多个类别标签之间的相关性,通过已分类样本标签推测其他可能存在的类别;第二,分类数据集中不同类别的样本数量通常相差巨大,从而引起类别不平衡的问题。针对这两个问题,本文提出了一个新的多标签分类模型GMLC(Graph Net for Multi-label Classifiction)。该模型引入图卷积网络学习不同标签之间的依赖关系,并通过有效样本数量下的权重损失函数缓解了类别不平衡的问题。此外,我们发现另一个非常具有挑战性的任务——复合表情识别,其本质上也属于多标签分类问题。因此我们将本文提出的GMLC模型加以改进应用到复合表情识别中,取得了优异的识别效果。现将本文的主要工作及创新概括如下:(1)为了更加准确地挖掘标签之间的相关性,本文利用图结构来构建多个标签之间的依赖关系。确切地说,我们将图的节点视作类别标签,将边视为标签之间的依赖关系。在此基础上通过图卷积网络使得标签的语义信息在不同节点之间传播,并将最后一层图卷积的输出作为标签相关的分类器。这些分类器将进一步应用到全局图像特征中帮助模型更好完成分类任务,从而形成一个端到端的网络系统GMLC。(2)为了解决多标签分类任务中类不平衡的问题,本文从模型的损失函数入手,采用有效样本数量的思想,去除原始数据集中对模型优化不产生实际作用的近似样本。并在此基础上对普通交叉熵函数进行改进,根据类别的有效样本数量对每个类别进行重加权操作,以此来提高少数类别对模型的贡献。(3)在复合表情识别中,一个样本图像同时对应着多个类别标签,例如惊喜(高兴+吃惊),这正是多标签分类要解决的问题。基于以上发现,本文认为复合表情识别本质上也是一种多标签分类问题,并创新性地对本文提出的GMLC模型进行改进以引入复合表情识别中。通过图卷积网络来挖掘不同基本表情在语义空间下的依赖关系,并利用二阶协方差池化来捕捉面部肌肉的扭曲情况,从而进一步提升识别准确性。实验结果表明,无论是在传统的多标签分类场景还是在复合表情识别任务中,本文模型都取得了很好的识别效果,并且在大多数评价指标下的表现都优于现有模型。