图像自动标注(AIA)技术为海量图像的快速、低成本文本标记提供了支持,使其在航空航天、军事目标检测、生物医学影像处理、城市交通和公安监控等应用中更加方便、快捷、准确。然而在复杂场景中,图像视觉内容间的不同关联特性会导致视觉特征和文本标签间的映射关系非唯一,引起标注结果的失准;另外,标签分布的不均衡会导致重要但出现频率低的弱标签信息被忽略。本文主要研究标签准确预测和弱标签重新分布问题,主要工作包括:1、提出一个基于主题筛选的两步投票邻域更新标注方法,用于确定标签预测中的近邻子集。首先,基于K近邻特征的独立性,构建了朴素贝叶斯分类器以筛选待标注图像的最优主题并缩减“语义鸿沟”。通过比较其低层全局信息特征向量和中层多描述子特征向量下的标注结果,可证明它能选取更有效的特征向量。其次,在所筛选的主题内进行二次近邻图像选择,更新特征邻域。最后,通过计算已更新邻域内的标注词分布概率预测待标注图像的标签。实验证明,所提方法与基于低层视觉内容的语义共生标注算法相比,在标签的整体平均准确率上提高了5.37%,整体的召回率上平均提升了27.39%,最终整体的平均数提升了17.24%。2、针对弱标签分布失衡导致的标注结果失准问题,提出了基于弱标签分集的标签权重提升标注方法。首先,产生每个标签的对应图像集,根据K近邻分类方法为待标注图像选取该图像集的视觉相似子集,则多个标签的视觉子集构成了可重复的近邻扩展集。其次,根据此扩展集可使在整体训练集中低频但携带重要信息的弱标签按照重复近邻图像的特征距离加大分配标签权重,从而改善弱标签并预测标注词。最后,根据训练集的标签分布频数计算各标签共生概率,加权所预测的标注词权重。与2PKNN算法对比,所提的方法在AP、AR、F1、N+值分别提升0.70%、1.29%、0.98%、2个,有效地改善了图像自动标注的结果。