为了实现图像内容类似文本化的表达,建立图像内容与文本之间不确定性的关联关系是机器视觉研究的难点问题。概率理论为解决这种不确定性推理问题提供了坚实的数学基础。近年来,随着各种推理计算复杂度快速下降算法的涌现,概率理论得到了迅速发展,由此也带动了基于概率图模型的理论方法在视觉信息处理中的广泛应用,进而使得基于概率图模型的图像分割、立体视觉、运动检测与跟踪、目标识别,以及需要对各种因素进行综合考虑的场景理解成为可能。本文在已有的图像分类和对象识别方法的基础上,深入研究如何在小样本数据条件下,提取有效的图像特征以实现图像的精准分类;针对像素级图像标注信息的缺乏,考虑加入一定的约束信息,联合概率主题模型建模,解决同类别条件下相似对象的发现和识别问题;针对复杂场景进行主题建模,引入对象的上下文语义信息,为多区域多对象的场景分割与对象识别问题提供一种解决方案。主要研究内容有:(1)针对支持向量机(Support Vector Machine,SVM)对数据缺失的不敏感性和对非线性问题无通用的解决方案,从“化繁为简”的思路出发,拆分已知图像类别信息的图像集为多个子集进行计算,引入线性直方图核函数取代传统高斯核方法,以避免核函数选择的不确定性和计算过程中非线性数据易陷入局部极小值问题,利用线性核函数较好的可扩展性和泛化性能,建立特征空间到线性空间映射的线性分类器,实现小样本数据快速准确的分类。(2)针对局部特征组合中金字塔硬划分方式造成的边界特征语义模糊性问题,提出一种区块特征软分配方法---sSPM(soft Spatial Pyramid Matching),通过在金字塔不同层级上建立硬划分边界特征的候选区域,构建候选区域与邻近图像块特征之间的距离函数关系,分析边界特征与区块特征的相似性,规范特征向量的空间表示,生成鲁棒的多尺度局部特征描述,利用拉格朗日乘子法和强对偶原理,设计优化的SVM多核分类器,面向sSPM描述的不同组合系数表示的局部特征设计分类实验,证明”sSPM+MKL”方法在削弱边界特征语义模糊性的同时还能提高图像的分类性能。(3)针对图像类内相似性大和类间相似性小导致的特征区分不明显问题,提出弱标注信息下共享部位特征的目标定位方法,利用主题模型聚类相似特征的思想,引入图像的标签语义,构建联合概率分布的“特征-部位-目标”的层次化结构模型,分析“特征-目标”之间的部位表示关系,建立“目标-特征”的部位共享池,学习不同比例共享部位特征构成的目标,实现弱监督学习方式下同类目标的智能检测;为消除噪声图片的干扰,利用信息熵衡量图像的相似性,定义无共享部位特征调用的为噪声图片,从不同角度验证提出方法的有效性,为实现同类图像下相似目标的准确发现和定位提供理论指导。(4)针对图像样本像素级标注缺乏造成的场景内容语义表达不清的问题,提出语义化的“Context+Focus”场景语义分割模型,利用广泛存在且容易获取的大量弱标注图像信息,建立“特征-部位-对象-场景”的层次结构模型,分析“自顶向下”的场景到对象的语义先验信息表达以及“由下至上”的特征到对象的概率描述关系,关联语义对象和特征对象之间的对应关系,根据语义标签权重的不同,形成语义化“focus”对象聚焦下的关联语义上下文“context”的多区域多对象的分布态势,结合Blocked-gibbs算法和后验概率的表达,推理场景各区域的语义信息,从而实现场景多区域语义联动分割和区域对象识别。