生活的各个方面都离不开图像,而图像分类作为各种以图像为基础的任务中最关键的技术之一,一直都是计算机视觉任务中研究的热点,在生物医学、无人驾驶、航天等领域具有广泛的应用前景。多标签图像分类相比于传统的图像分类任务来说具有类标签数量不确定,标签之间相互作用以及场景复杂的挑战,因此如何解决这些问题成为多标签图像分类研究的突破点。本文首先对目前多标签图像分类的研究现状以及存在的挑战与问题进行了阐述,并对其应用领域进行了简单的介绍;其次对多标签图像分类、图卷积网络、多样性特征学习方法进行了介绍和描述。本文以挖掘标签之间的潜在高阶相关性为研究点,提出弹性网超图诱导图卷积的多标签图像分类方法,来学习标签之间高阶相关性;针对复杂环境下的分类需求,本文考虑学习局部区域的多样性特征,提出基于超图卷积和多样显著注意的多标签图像分类方法,提高方法对于复杂环境的泛化能力。最后,基于以上方法,设计实现了多标签图像分类的原型系统。本文的主要研究内容如下:（1）考虑到多标签图像中物体存在复杂的关联性,一个对象的出现与其他对象有着内在的联系,而且这种关联性通常是成组的,具有高阶性,因此提出了弹性网超图诱导图卷积的多标签图像分类方法。该方法通过构建的弹性超图诱导图卷积来更有效地学习标签的高阶相关性,同时将构造的超图嵌入到图卷积中引导学习更具辨别力的多标签分类器,将该分类器与图像特征相结合实现多标签图像分类。在相关的多标签图像数据集上进行了大量实验,实验结果验证了该方法的有效性,与前沿方法进行比较,该方法能有效提升多标签图像的分类的综合性能。（2）针对多标签图像中不同类别的物体以不同的尺度和姿态被放置在不同的位置以及物体的不同组成和相互作用等复杂场景下的分类需求,提出了基于超图卷积和多样显著注意的多标签图像分类方法。为了解决图像中的物体存在空间位置、尺度大小,遮挡等因素使得全局视觉特征并不利于多标签图像的有效分类,提出了多样显著注意力学习图像局部区域特征方法,将局部特征与全局特征融合,形成图像更丰富特征。同时通过构建的多标签超图卷积更好地表达标签之间的高阶关联关系,生成多标签分类器,用融合的图像特征与分类器结合进行多标签图像分类。在分类阶段,加入局部损失,使之能学习到更具有多标签图像表征能力的特征。在相关的多标签图像数据集以及场景解析数据集上进行了实验,实验结果表明,该方法能够进一步提升多标签图像分类的综合性能。（3）采用Python语言、Matlab GUI和深度学习框架并利用所提出的方法,设计实现了多标签图像分类的原型系统,该系统集成图像预处理、超图构建、模型训练、多标签分类四个功能。原型系统的界面简单易操作,能够给用户带来良好的体验感,功能满足多标签分类需求,表明了研究方法的可用性。