随着图像大数据的兴起,图像中存在的语义信息也越加复杂。单标签分类已不能准确表述图像内容,因此多标签分类开始受到越来越多的关注,且成功应用于图像搜索系统、医疗诊断等领域。为进一步提高多标签模型性能,本文提出基于图注意力表示和基于自适应图模块的两种多标签图像分类方法,主要贡献如下:（1）针对现有的多标签方法只能粗略定位目标语义区域,且无法充分挖掘语义区域之间存在的标签相关性的问题,本文提出了基于图注意力表示的多标签图像分类方法。该方法分为图像特征提取的语义定位模块和标签相关性建模的语义关联模块。语义定位模块利用视觉注意力机制和多模态技术,精确定位图像语义目标,并汇聚目标区域的语义信息,准确获得每个标签类的特征表示。语义关联模块采用图结构方式存储所获语义特征表示,并利用多头图注意力网络捕捉它们之间动态的标签依赖关系,从而提高模型分类效果。最后,本方法在Pascal VOC2007和Mir Flickr25k两个数据集上进行各种基准实验,其m AP分别达到93.5%和84.2%的最优结果,证明了该方法的有效性。（2）现有的基于图神经网络的多标签相关性建模仅仅利用标签共现信息来构造一个共享相关矩阵,忽视了每张图像独有的标签依赖关系,因此本文提出了基于自适应图模块的多标签图像分类方法。通过自适应图模块来对标签相关性建模,利用图像特征和标签词嵌入特征为每张图像动态生成一个特定的强关联矩阵,并引入语义关联模块进一步挖掘标签间具体依赖程度。同时设计标签注意模块,重点突出与标签类别相关联的图像区域,从而准确获取语义特征表示。最后在Pascal VOC2007、Mir Flickr25k和Microsoft COCO三个不同数据集中进行实验,其m AP分别达到93.8%、84.7%和83.9%的最好效果,证明了该方法的有效性。（3）基于所提算法模型实现了一套多标签图像搜索系统。该系统主要实现了以图搜图和以文本搜图两个功能,使得用户能够更加快捷且准确地获取到自己感兴趣的图像。