随着国家对美育发展的不断重视,美学在日常生活中的应用越来越广泛,也在经济和产业发展战略中发挥着重要的作用。计算美学致力于实现可计算的审美决策、美学设计与艺术创作,对图像进行美学风格分类是实现计算美学的基础,是在大规模数据上自动高效地实现审美认知的重要环节。近年来,针对图像美学风格分类的研究引起国内外的关注,已有大量美学风格特征学习的工作取得了一定的成果。然而,传统的人工设计美学风格特征的方法泛化能力差,基于神经网络模型的特征提取方法又迫切需要大量昂贵的美学风格标签标注,现有的方法难以全面刻画主观性强烈的美学风格特征。并且,现有数据集中的图像往往具有多种美学风格,考虑不同的美学风格之间的相关性,可以进一步提高美学风格分类的精度。本文主要工作如下:（1）提出一种多任务自监督风格特征学习算法。在不利用美学风格标签的前提下,基于着色预测与内容理解的思路设计自监督任务,从图像本身中获取更多风格特征相关的信息。将学习到的特征表示应用于风格分类任务,在3个美学风格数据集上的实验结果都优于大部分有监督学习方法。（2）提出一种基于混合域注意力与图卷积网络的美学风格多标签分类算法。首先,利用注意力机制增强美学风格标签与图像特征的相关性;其次,利用图卷积网络建模美学风格标签之间的相关性;最后,进行端到端的美学风格多标签识别。在2个摄影美学风格多标签数据集上进行实验,结果表明本文提出的算法在大部分指标上更有优势。（3）基于上述算法搭建图像美学风格分析系统,在提供美学风格分类算法服务的同时,收集用户上传的美学风格图像,并定期对标注错误的图像进行纠错,提高美学风格数据集的质量。通过本系统,协助非专业人士获取美学风格相关的知识,提高审美能力;协助专业人士对美学风格进行更细致的研究。