基于最近邻模型的图像自动标注方法因其核心思想简单、且效果相对较好吸引了不少学者的关注。然而大多基于最近邻模型的图像自动标注方法存在两个不足:一是在标签传播过程中,忽略了图像底层视觉特征与高级语义之间的映射关系;二是利用标签传播方法直接将近邻图像的标签传播给待标注图像,忽略了近邻图像初始标签语义间隐含的相互关系。贝叶斯理论是一种能够对未知状态进行概率估计的方法,则图像底层视觉特征与高级语义之间的映射关系可通过构建图像特征和标签之间的贝叶斯概率分布获取;三支决策是一种在信息不足的情况下分析不确定语义的有力工具。因此,为提高图像自动标注的精度,本文对基于加权贝叶斯和三支决策的最近邻图像自动标注方法进行了研究。主要研究工作如下:（1）给出一种基于CNN和加权贝叶斯的最近邻图像自动标注方法。该方法首先利用卷积神经网络（convolutional neural networks,CNN）提取图像特征,并依此特征搜索待标注图像的近邻图像,构建候选标签集合;然后利用贝叶斯后验概率构建待标注图像的视觉特征与标签之间的映射关系;最后通过设定权重优化概率值并排序,得到最优候选标签进而实现图像标注。在三个基准数据集Corel 5K,IAPRTC-12和ESP Game上进行实验,结果表明提出的方法在准确率、召回率与F1值上均取得了较好的效果。（2）给出一种基于CNN和三支决策的最近邻图像自动标注方法。该方法首先利用卷积神经网络（convolutional neural networks,CNN）提取图像的底层特征,并根据此特征搜索待标注图像的近邻图像获得初始标签集合;其次,通过引入延迟决策和一对阈值,将初始标签划分为三个域:正域（POS域）、边界域（BND域）和负域（NEG域）;最后,利用标签共现方法划分BND域标签,将BND域中的标签转移到POS域,依此进行多层三分操作,并将所有正域标签合并,从中选择标签标注给图像,提高图像标注的准确性。在基准数据集Corel 5K上进行实验,验证了该方法的有效性。（3）实现了一个基于三支决策的最近邻模型的图像自动标注系统。利用（2）的方法,在Matlab平台上,设计并实现了一个基于三支决策的最近邻图像自动标注系统。