近年来,互联网上图像数据的飞速增长引发了对图像标注、图像检索等应用任务的巨大需求,也对作为这些应用任务基础技术之一的图像分类技术带来了一些新的挑战。例如,由各种来源提供的大规模有标注图像数据中普遍存在错标、漏标以及各类别数据规模严重不均衡等问题,这些是在以往小规模分类任务中不常见的。本文针对这些问题,在综述前人相关工作的基础上,具体开展了如下工作。提出了一个基于多任务的大规模图像分类算法。该算法采用深度神经网络作为基本框架,多个分类任务共享神经网络的底层特征学习网络,而在高层分别采用各自独立的分类网络。算法基于各类图像在高层的样本误差反传调节整个神经网络的权重,其目的是用大数据量图像分类任务帮助小数据量图像分类任务的特征学习,而又不会淹没小数据量类别,从而达到所有任务整体分类性能的提升。为此,本文深入分析了如何对误差进行加权来权衡不同规模图像类别的影响,探索了不同的加权策略。同时,通过理论分析论证了误差权重的变化等价于对神经网络学习速率的调节,并通过实验探讨了其对网络收敛性能的影响。在大规模真实数据集上的实验表明了本文所提出的分类算法的有效性。本文进一步将上述分类算法应用到一个图像检索系统和对其他数据集的分类任务中,进一步验证了该算法的有效性。