多标记学习是机器学习领域中一种重要的学习范式,在过去几年的发展中,多标记学习算法被广泛应用到诸多多标记对象的学习场景中。随着多标记学习领域的不断发展,在标准多标记学习任务中算法的性能日益成熟,同时,机器学习算法对动态开放环境的适应性对机器学习领域的发展提出了新的挑战。传统多标记学习算法假设标记空间在训练阶段与预测阶段一致,而现实世界动态开放的环境可能会打破这一假设,因此对动态开放环境中的多标记学习进行研究,针对出现未见的新类别标记的情形提出适应性算法十分有必要。多标记图片是一类重要的多标记学习对象,多标记图片分类任务是目前具有挑战性的研究课题,其在互联网领域和安防监控场景的视频任务中应用前景广阔。同时近些年来卷积神经网络(CNN)技术的发展极大的促进了图片识别领域的发展,并且基于大规模训练集预训练的模型能够迁移到其他相关的学习任务中。因此结合卷积神经网络技术对多标记图片分类任务中可能遇到的新类别标记学习问题展开研究具有重要的理论价值和应用价值。本文将围绕动态开放环境下的多标记图片分类任务,设计算法解决新类别标记出现的问题。本文提出新类别标记学习算法MULNLC:(1)首先使用经过预训练和微调的卷积神经网络模型作为多标记图片的特征提取器,基于初始训练集学习分类模型以及新类别标记检测模型;(2)然后在可能包含新类别标记的批数据中,使用双阶段检测模块在未知标记的批数据中检测包含新类别标记的数据示例,并对检测到的新类别标记数据使用卷积网络模型加以扩充,以丰富后续学习模型的训练样本;(3)最后,基于新类别标记数据和已知标记数据更新分类模型和新类别标记检测模型。在常用的多标记图片数据集上的实验结果表明了算法的有效性,同时,本文基于提出的MULNLC算法开发了适用于实际应用场景的“新类别标记图片标注系统”。