针对古代壁画图像数量少、质量差、特征提取困难和存在壁画文本与绘画风格相似等问题，提出了一种融合迁移学习的Inception-v3模型来对古代壁画的朝代进行识别与分类。首先，将Inception-v3模型在ImageNet数据集上进行预训练以得到迁移模型；然后，将迁移模型在小型壁画数据集上进行参数微调后对壁画图像提取高层特征；其次，增加两个全连接层来增强特征表达能力，并用颜色直方图与局部二值模式（LBP）纹理直方图提取壁画的艺术特征；最后，将高层特征与艺术特征相融合，用Softmax分类器进行壁画的朝代分类。实验结果表明，所提出的模型训练过程稳定，在构造的小型壁画数据集上，其最终准确率为88.70%，召回率为88.62%，F1值为88.58%，以上各评价指标均优于AlexNet、VGGNet等经典网络模型；与LeNet-5、AlexNet-S6等改进的卷积神经网络模型相比，该模型对各朝代类别准确率平均提升了至少7个百分点。可见，该模型泛化能力强，不易出现过拟合现象，能有效识别壁画所属朝代。

多标签图像标注在根据模型预测的概率，利用排名函数进行标注时会出现多标或少标的问题，提出了融合阈值寻优的卷积神经网络(CNN-THOP)模型，该模型由卷积神经网络(CNN)和阈值寻优构成。首先，通过CNN训练模型，利用该模型对图片进行预测，得到预测概率，其中在CNN中增加了批标准化层(BN)有效地加快了收敛。其次，利用该模型对测试集图片的预测概率进行阈值寻优，经过阈值寻优过程为每类标签得到一个最佳阈值，从而得到一组最佳阈值，只有当该类标签的预测概率大于等于该类标签的最佳阈值时，才会给图片标注该标签。在标注过程中，通过载入CNN模型和一组最佳阈值可以对所需标注的图像进行更加灵活的多标签标注。通过在自然场景图像数据集8 000张图片上的验证，结果表明，CNN-THOP较传统的基于排名的支持向量机法(Rank-SVM)在平均查准率上提升了约20个百分点，较基于均方误差函数的卷积神经网络(CNN-MSE)在平均召回率和F1值上分别提高了约6个百分点和4个百分点，且完全匹配度(CMD)达到了64.75%，验证了该方法在图像自动标注方面的有效性。