在多标签学习中,一个样本同时具有多个标签,如一张图片同时拥有“海洋”和“帆船”的标签。然而,在现有多标签学习方法中,多数方法仅仅考虑数据集中标签之间的依赖关系(局部标签相关性)或只考虑标签之间的语义相似度(全局标签相关性)。事实上在多标签学习中,样本具有多个标签,而且局部和全局的标签相关性同时作用于实际应用,不应该局限于考虑成对标签的相关性,而忽略标签之间的高阶相关性。因此,本文提出一种新颖和有效的利用迁移Inception V3模型结合局部和全局标签相关性GLLCBN(Global and Local Label Correlation Bayesian Network)网络模型的V-GLLCBN(V3-Global and Local Label Correlation Bayesian Network)多标签学习方法,详细的研究内容如下:(1)提出一种有效的利用迁移学习将图片单分类的Inception V3模型迁移为实现多标签图片学习的新模型。考虑解决分类问题的关键点在于分类模型的性能,而Inception V3卷积神经网络模型是由谷歌公司针对海量级图像分类训练而成。首先,本文使用模型迁移的方法将Inception V3模型的卷积模块组之前结构迁移保存;然后,利用非对称结构代替对称结构的方法来自定义瓶颈层后的卷积层和线性结构模型;其次,通过分析数据集中标签集合的属性构造输出层;最后,将迁移保存的模型结合自定义分类模型生成一种多标签图片学习模型,并通过实验验证了该模型的便捷性和有效性。(2)提出一种新颖的基于局部和全局标签综合相关性的多标签学习方法(GLLCBN)。由于标签相关性往往容易被忽视,然而在实际中标签相关性具有潜在的价值。首先,本文通过分析数据集中样本标签空间的成对标签,获取成对标签的局部相关性和成对标签的依赖关系;然后,通过标签的语义相似度获得全局标签相关性并构建全局相关性矩阵;随后,利用局部和全局标签相关性构建初始标签相关性拓扑模型;其次,利用图论和概率论优化初始模型的冗余结构,获得最优标签相关性依赖GLLCBN模型(模型中节点表示标签,边表示标签间的综合相关性);最后,逐个注入标签输入源的标签到模型中实现多标签学习。(3)通过上述(1)和(2)模型的相结合,本文提出一种实现多标签图片的V-GLLCBN方法,其中(1)模型作为(2)模型的标签输入源。基于多标签学习的性能评估标准,通过实验设计和结果分析,验证了本文方法的稳定性和有效性。