随着互联网中图像资源的爆炸式增长,面对数以亿计的图像资源,如何使用语义标签快速进行图像检索成为亟待解决的问题之一。传统的图像标注工作大多由人工完成,存在主观性和随意性,容易造成图像标签缺失、标注错误的现象。因此,如何有效地进行图像完备标注、丰富图像语义内容成为一个重要的研究课题。卷积神经网络因摒弃了复杂的特征融合过程,能够通过自主学习图像特征,更好地获取图像视觉信息。形式概念分析是一种有效的语义层次分析方法。为有效完善图像语义标签,本文基于卷积神经元网络和形式概念分析,对图像的语义完备自动标注进行研究。主要工作包括以下三个方面:(1)提出一种基于卷积神经网络与概念格语义分析的图像完备标注算法。该方法首先利用Image Net数据集对VGG19卷积神经网络模型进行预训练,之后用Corel5k数据集对预训练模型进行微调,并保存模型;其次,将输入的待标注图像得到的分类结果作为初始标签集合,并保存去掉softmax层之后的深度卷积特征;然后,构建近邻图像集合,利用概念格对相似度较高、关联性大的图像语义标签进行上-下层级的有效分析,得到标签候选集;最后,在数据集Corel5k上进行实验,结果表明该方法能有效提高图像标签的召回率,较好地实现图像完备标注。(2)针对不同标签对图像标注的贡献不同,提出一种基于卷积神经网络与加权概念格的图像完备标注算法。该方法首先利用深度卷积神经网络,获取图像的初始标签集合;其次,构建近邻图像集,依据信息熵理论对近邻图像集中各标签的权值进行计算,得出各标签属性的重要性程度;然后,按照概念格语义相似度计算规则,进一步剔除了冗余标签语义关键词,改善了候选标签。实验结果表明,该方法在一定程度上提高了标签标注的精度。(3)实现了一个图像完备标注原型系统。根据上述研究成果,在Matlab r2016b平台上,设计并实现了一个基于深度卷积网络与形式概念分析的图像完备标注原型系统。