图像分类是大数据及智能信息时代下应运而生的产物,已经成功的应用到商品分类、美食分类、旅游景点分类、视频分类、图书分类等各种场景。目前,大部分图像中都包含多个感兴趣对象,且需要多个标签对这些对象进行标记,这类图像分类任务即多示例多标签学习（MIML）。大部分MIML深度学习架构更多关注如何在空间维度里改进网络,然而在实际应用此类方法并不能有效提高图像分类精度,其原因在于这些架构没有考虑到一个标签有多种子概念（比如鼓这个标签包含了腰鼓,钟鼓等多个子概念）,也忽略了激活函数近似线性区域对分类结果的影响。针对以上问题,本文改进了两个场景下的分类算法并设计了一个儿童电子书籍的分类系统。本文具体工作如下:（1）针对传统的MIML网络架构仅在空间维度上改善网络,没有充分利用通道间关系,本文将SENet融合到改进的Res152网络中,提高了特征提取的准确度,针对传统的MIML网络架构没有注意到一个标签有多种子概念,本文设计了一个3D子概念模型,改进了传统的网络架构,使每一个子概念都能被识别出来,从而提升了图像与标签匹配准确度。最后在COCO数据集上进行对比实验,验证了改进算法的可行性和有效性。（2）针对传统的网络结构忽略了激活函数的线性域误差且网络鲁棒性差的问题,本文提出了一种tan（?）i（·）模型,解决了激活函数的局部线性造成的分类误差。同时在传统网络模型中加入了 Attention机制,使网络可以有效抓取主要的特征信息,检验了其适应于各种网络,验证了该改进网络提升精度的有效性。（3）本文基于B/S架构设计了一个儿童电子书的分类系统,并将以上改进的算法集成到该系统的算法模块,构建了系统整体框架及软件逻辑体系,建立数据库表,最后完成开发测试及部署。