随着互联网技术和便携式移动设备的发展,互联网中的图像,视频数量呈现爆炸式的增长。例如,据Facebook统计,2019年Facebook平均每天新增3.5亿张图片。面对海量的数据,如何高效地处理新增的图像成为一个亟待解决的问题。图像语义建模可以使计算机正确地理解图像的语义内容,例如图像中的人,车辆等,为图像视频分类,识别以及检索提供了有效的解决方案。早期的图像语义建模方法通常只关注于底层特征,具体包括局部特征和全局特征两类。然而,基于底层特征的方法存在“语义鸿沟”的问题,它不能很好地反映人类对于图像语义上的理解。随着深度学习的发展,基于高层视觉特征的图像语义建模方法取得了卓越的效果。但是由于逐像素级的语义标注耗费大量的人力资源,在实际应用中不能得到很好的推广。为此,基于图像级语义标签的弱监督学习的图像建模方法吸引了研究者的广泛关注。本文主要研究基于弱监督学习的图像语义建模技术,结合图像显著性分析和人类视觉感知,实现最大限度的精准训练图像数据的深度模型,满足图像处理的多种应用。本文的主要工作如下:1.分析了现有图像语义建模算法的优势和不足。为了减少人工标注数据标签的工作量,本文提出采用流形学习算法将图像级语义标签自动地传递到图像的像素区域中,算法无需依赖外部检测器和对数据集的先验知识。2.由于图像级语义标签可能存在着潜在的噪声(例如标注错误或者未标注),本文提出生成式模型构建微图并建立对象图描述符来发现微图类别,采用贝叶斯分类进行未知微图类别的标注,并去除同一已知微图类别中的异常标签,进而增强图像语义建模的噪声容限。3.本文利用构建的图像语义模型,在VOC2012和MSRC数据集上进行了图像分类实验,验证了基于弱监督学习的图像语义建模的优越性以及噪声环境下基于弱监督学习的图像语义建模的有效性。