自動圖像標注是一個包含眾多標簽、多樣特征的富有挑戰性的研究問題，是新一代圖像檢索與圖像理解的關鍵步驟．針對傳統的基于淺層機器學習標注算法標注效率低下、難以處理復雜分類任務的問題。提出了基于棧式自動編碼器（stacked auto-encoder，簡稱SAE）的自動圖像標注算法。提升了標注效率和標注效果．主要針對圖像標注數據不平衡問題，提出兩種解決思路：對于標注模型，提出一種增強訓練中低頻標簽的平衡棧式自動編碼器（B-SAE），較好地改善了中低頻標簽的標注效果．并在該模型的基礎上提出一種分組強化訓練B-SAE子模型的魯棒平衡棧式自動編碼器算法（RB-SAE），提升了標注的穩定性。從而保證模型本身具有較強的處理不平衡數據的能力：對于標注過程，以未知圖像作為出發點，首先構造未知圖像的局部均衡數據集，并判定該圖像的高低頻屬性以決定不同的標注過程，局部語義傳播算法（SP）標注中低頻圖像，RB-SAE算法標注高頻圖像，形成屬性判別的標注框架（ADA），保證了標注過程具有較強的應對不平衡數據的能力。從而提升整體圖像標注效果．通過在3個公共數據集上進行實驗驗證，結果表明。該方法在許多指標上相比以往方法均有較大提高．