随着计算机技术、通信技术和多媒体技术的飞速发展,数字图像广泛应用到社会生活的方方面面,数字图像的分类和检索技术也随之发展。传统的基于文本关键词的数字图像分类和检索技术,由于其低效率和非标准化等缺点已经不能满足人们的需要;基于内容的图像分类和检索技术,从底层视觉特征度量图像的相似性,实现对图像的理解。然而,图像的底层视觉特征与人对图像的理解之间存在巨大的差异,基于内容的图像分类和检索并未沟通图像的底层视觉特征与高层语义,跨越“语义鸿沟”;基于语义的图像分类和检索技术正成为研究的热点。论文首先介绍了图像语义的层次模型和图像语义提取的几种方法,重点介绍了基于机器学习的图像语义提取方法。在底层特征上,提取了颜色、纹理和形状三类特征。特征选择可以加速数据挖掘,提高数据挖掘的性能和效率,论文对一种改进的顺序前向浮动搜索特征选择算法进行了研究,以底层特征数据为基础实验对比了顺序前向搜索、顺序前向浮动搜索和改进的顺序前向浮动搜索三种算法的时间效率和选择结果。支持向量机是基于统计学习理论的新型机器学习方法,它能在小样本下得到很好的分类效果并具有较好的泛化能力。论文选择支持向量机作为图像语义的分类器,研究了不同特征子集下支持向量机的分类性能,实验结果证实了特征选择的有效性。基于结构风险最小化原理的支持向量机不会产生传统方法中的过学习和局部最小等问题,基于支持向量机的增量学习具有重要的应用价值。论文对比了支持向量集加错分样本和历史训练数据加错分样本两种增量SVM学习算法。实验证明后者的分类准确性和稳定性更好。