随着互联网技术的快速发展,网络中的图像资源也得到爆发式的增长,因此如何迅速的在大量图像资源中找到用户所需资源逐渐发展成为一个重要的问题。另一方面,随着基于内容的图像处理技术的发展,原始的基于图像底层特征的图像处理技术并不能真正符合人类视觉对于图像的描述,因此如何对图像进行正确的提取语义信息也是影响到图像处理技术的关键。　　 本文主要围绕提取基于图像语义信息的快速图像分类研究这一主题,对特征提取,分类算法等关键技术进行研究,具体工作可以总结为以下几个方面:　　 (1)提出了一种基于局部和全局对比度联合的感兴趣区域检测方法。该方法首先利用图像的直方图对比度进行全局颜色对比度的计算,然后利用高斯差分滤波器在多尺度空间进行局部对比度计算,最后将两者的结果联合,并进行阈值分割来生成显著性区域。　　 (2)提出基于感兴趣区域的图像特征提取方法。这种特征提取方法由于在特征提取前对图像进行感兴趣区域检测,保留了图像高层语义中的对象信息,然后对感兴趣区域的提取就转化为对对象特征的提取。实验结果表明,该方法在处理具有主对象的图像比传统的特征提取方法有较高的精度。　　 (3)提出基于流形学习和混合模型的图像分类算法。该方法将图像分类分为两个阶段——粗粒度分类阶段和细粒度分类阶段。在粗粒度分类阶段,本文提出一种改进的ISOMAP,并利用它来进行维度降解,并利用流形的间隙特性达到粗粒度分类目的。在细粒度分类阶段,本文采用最大期望值算法对图像最终进行分类。实验结果表明,本文提出的分类算法在分类精度略有提升的情况下,大幅降低了分类所需的时间成本。