随着互联网和计算机硬件的迅猛发展,图像信息的产生、存储、传输以及访问数量呈指数级增长,对图像信息的检索给传统的检索方式提出了挑战.采用低层特征描述的图像检索系统还不能满足用户的检索需求,该文提出的采用语义信息组织图像数据库的方式是实现图像有效检索的基础.该文主要针对图像语义分类和检索进行研究,论文的主要工作归纳如下:(1)针对各种图像检索系统和图像语义分类进行了综述,系统地分析了基于内容的图像检索中所用的各种特征,并对各个特征的优缺点以及适用范围进行了比较分析,对于后续章节中图像特征选择和新特征的提取提供了借鉴.(2)提出了一种基于支撑向量机(SVM)的分等级图像语义分类系统.针对室内与室外图像分类的特点,提出了一种结合目标物体的语义特征.实验结果表明采用这两个特征实现的分类性能要优于其它特征.将单类SVM分类器应用于分类系统中解决了样本不充分的训练问题.(3)提出了图像语义分类系统的改进方案,根据不同特征的推广误差来确定各自的权值,分别采用主成分分析(PCA)、线性判别分析(FLDA)、多元尺度分析(MDS)对图像特征进行降维;通过学习的方式实现了一种基于SVM概率输出的拒绝机制;提出了增量学习SVM方案来解决新增样本和大量样本的训练问题;分析比较不同的分类器,通过结合多个SVM分类器来提高系统的分类能力,分别通过实验验证了以上改进方案的有效性.(4)提出了一种基于图像数据库语义索引和相似性学习的图像检索方案,根据查询图像的语义信息来确定相应的检索图像库,缩小检索的范围进而提高系统的查准率和检索效率;结合用户的相关反馈信息,采用回归支撑向量(SVR)来学习用户的检索习惯,从而在检索中预测图像之间的相似性.(5)该文将语义分类与Google的图像检索相结合,提出了一种改进Google图像检索的过滤系统.实验结果表明加入过滤系统可以在一定程度上提高检索的查准率,并为以后其它语义信息的检索提出了一种有效的解决方案.