随着互联网技术的发展以及多媒体技术的普及,图像资源与日俱增,传统的人工标注方法已经不能满足用户需求,因此自动图像标注技术应运而生。它解决了人工标注方法费时费力、标注信息主观成分较大等问题,实现高效的图像语义理解。作为自动标注系统的关键技术,图像的特征提取对标注性能有很大的影响。针对常用特征图像标注性能不高的问题,进行特征学习的深入研究。本文通过稀疏编码方法实现自主的图像特征学习,并将该特征用于图像标注。此外,利用特征融合技术,将无监督学习得到的特征与图像底层特征融合,使单个特征的单一性和局限性得到改善。主要研究内容如下：(1)分析自动标注的整体流程和关键技术,对图像颜色特征和纹理特征提取方法进行研究,实现了基于HSV颜色特征和LBP纹理特征的图像标注。实验结果表明,HSV特征不受图像分辨率变化的影响,并且基于该特征的图像标注比基于LBP特征的图像标注性能更好。(2)针对传统特征不具有普适性的问题,对深度学习进行研究。通过稀疏编码方法,实现无监督的特征学习,并将其作为样本数据,训练分类器,实现图像标注。实验结果表明,这种自主学习特征的方法能够提高分类器的分类精度,与基于HSV和LBP的图像标注对比,基于特征学习的图像标注能够更好的对图像的对象语义进行描述。(3)针对单特征进行图像语义描述时的单一性和局限性问题,采用特征融合技术,将LBP特征分别与HSV特征和稀疏编码学习得到的特征进行融合。经过归一化和线性累加后得到的特征能够实现特征互补。最后将融合后的特征作为训练数据,实现图像的分类和标注。实验结果表明,基于融合特征的图像标注能够更好的对图像语义进行描述,改善图像标注性能。