1.一种基于示例级和标签级关联的缺失标签多标签图像分类方法，其特征在于，包括以下步骤：S1、获取图像训练样本，并得到训练样本的特征矩阵和标签矩阵；输入图像训练样本的特征矩阵，通过线性重组策略，即假设每个样本与它的近邻样本是线性相关的，每个样本可以由它的近邻样本的线性组合进行重组，构建基于特征的样本近邻图，挖掘样本的几何结构信息，得到示例级的关联矩阵；

S2、输入图像训练样本的标签矩阵，通过低秩表示的方法构建基于标签的语义关联图，挖掘标签的语义关联信息，得到标签级的关联矩阵；

S3、利用拉普拉斯流形正则化将两个样本的标签关联构造为两个正则化项；

S4、最后采用最小二乘损失函数，结合示例级和标签级关联的两个正则项构造目标函数，通过梯度下降的方式求解目标函数，得到特征映射权重，然后通过映射函数计算测试样本的标签预测结果，根据预测结果得到测试样本的类别标签；

所述步骤S1中通过线性重组策略构建基于特征的样本近邻图，具体包括：通过线性重组的策略，即每个样本与它的近邻样本是线性相关的，也就是说每个样本可以由它的近邻样本的线性组合进行重组，即 其中xi，xj分别表示第i个和第j个样本，矩阵W表示样本间的关联矩阵，wij即样本xi与样本xi的关联程度，Nk(xi)表示样本xi的k个最近邻样本；然后通过求解二次规划问题 得到示例级的关联矩阵W；

所述步骤S2通过低秩表示的方法构建基于标签的语义关联图，挖掘标签的语义关联信息，得到标签级的关联矩阵，具体包括：通过低秩表示从标签空间中捕捉全局的语义关联 其中，矩阵Z是

标签矩阵Y的低秩表示系数矩阵，矩阵E是表示噪声的稀疏矩阵，ρ是一个平衡参数，然后求T出标签级的关联矩阵S＝(Z+Z)/2。

2.根据权利要求1所述的一种基于示例级和标签级关联的缺失标签多标签图像分类方法，其特征在于，所述步骤S3利用示例级的关联性，基于两个样本越相似，它们的标签向量也越接近的假设，构建一个流形正则项其中，矩阵W表示示例级的关联矩阵，m表示训练样本的类别总数，n表示训练样本的样本数，矩阵θ为样本特征与类别之间的线性映射函数 的权重矩阵， 表示第k个类别的权重向量的转置， 是归一化项，LW是矩阵W的归一化拉普拉斯矩阵，有Dw＝diag(dw(1),dw(2),…,dw(n))是一个对角矩阵；并且利用标签级的关联，基于两个标签越相似，那么他们在样本的标签空间中的分布也越相似的假设，构建一个流形正则项 其中，矩阵S表示标签级的关联矩阵， 是一个归一化项， 是矩阵S的归一化拉普拉斯矩阵，Ds

＝diag(ds(1),ds(2),…,ds(n))是一个对角矩阵。

3.根据权利要求2所述的一种基于示例级和标签级关联的缺失标签多标签图像分类方法，其特征在于，所述步骤S4采用最小二乘损失作为损失函数，并结合示例级和标签级关联的两个流形正则项，以及一个用于防止模型过拟合的l2,1正则项构造出最终的目标函数：其中，X是训练样本的特征矩阵，Y是训练样本的标签矩阵，α,β和λ是平衡参数，第一项是最小二乘损失函数，它保证了预测标签与给定标签之间的一致性，第二项和第三项均为流形正则项，分别引入了示例级的关联和标签级的关联；第四项是一个正则项，用于防止模型过拟合。