利用人工图像标注结果作为索引信息并且使用此信息检索图像库是一种昂贵而费力的过程。与此同时,自动图像标注由于在图像理解和检索方面的潜在巨大影响而逐渐受到人们的重视。本文提出了一种新的自动图像标注算法,该算法将颜色恒常性方法和多示例学习技术结合,应用到基于分块的图像标注中来。每幅图像被看作一个包,图像分块对应包中的示例。应用合适的颜色恒常性算法来校正图像,可以提高图像底层视觉特征的鲁棒性,使得通过多示例学习技术获得的示例原型更能代表图像中用户感兴趣的目标对象,从而构造出更能代表图像类别的包特征。本文首先系统地研究了现有的颜色恒常性算法,选择基于灰度世界假设的general Grey-World算法对图像进行预处理。为了提高图像分割的效率,本文采用了一种快速有效的图像分块策略;然后使用多示例学习技术构造图像的包特征。在构造包特征的过程中,改进了原有的Diverse Density(DD)算法并应用一种快速的搜索算法来提高DD值的有效性与准确性。最后,将训练图像的包特征作为支持向量机的输入,建立自动图像标注的分类模型并根据该模型对图像进行自动标注。使用COREL图像库里的2000幅通用图像对本文提出的标注算法进行测试,并与现有的方法进行比较,结果表明基于颜色恒常和多示例学习的自动图像标注算法是有效可行的。