图像理解是计算机视觉领域的研究热点之一,通常情况下,它要求将图像中所有点标注为它所对应的景物类别。这一过程也可以看作是对图像中的所有类别景物目标的识别。当景物比较复杂且类别数目比较多时,一般采用基于机器学习的方法实现多类目标识别任务。其基本思路为将一定量的已经完成理解标注的图像作为训练集,用机器学习的方法建立图像特征与标注之间的内在模型(参数),利用这种模型实现对新图像的标注即目标识别。这类方法具有很好的通用性,它也是目前机器学习领域的重要研究方向之一。主要研究内容集中在学习算法的设计、目标特征的选取以及各目标模式以及关系的建立等等。本文以自然场景的图像理解为背景,对学习模型的建立,特征的选取和融合,目标间关系的表达等方面开展了研究。主要研究内容与成果如下:　　 1)纹理是图像中区分不同景物的重要特征之一,利用纹理对目标模式进行建模一直是本方向的研究热点。本文首先对图像中的纹理进行编码,然后利用Joint-boost学习方法对不同景物的纹理依存关系进行建模,并在此基础上设计了多种景物特征项,提出了一种条件随机场模型(Conditional RandomField)对这些景物特征项进行融合。实现结果表明:Joint-boost学习方法可以很好地建立目标的纹理模式,条件随机场模型在对多种特征项的融合方面起到了重要作用。　　 2)图像中不同景物之间在是否同时出现方面具有一定的关联关系,有效利用这种关联关系可以提高识别性能。本文建立了景物目标间的关联关系模型,为使关联发挥更大的作用,本文给定图像主题的前提条件下,建立了主题与关联关系的模型,通过机器学习的方法确定了模型中的参数。实验结果表明,这种方法可以显著提高系统性能,证明了本文方法的正确有效。　　 3)轮廓等结构信息是景物的另一类重要特征,对于目标的识别非常重要。为了充分利用目标的结构信息,本文改进了一种具有全局特性的过分割算法,利用图像的底层特征突出目标的边界和区域特性以提高系统的识别正确率;为了降低分割算法带来的误分割问题,我们在基于区域分割的基础上利用目标间的关联关系和其它特征项,并最终建立了结合主题和区域限制、融合纹理环境、纹理以及位置特征项的目标识别系统。实验结果标明:此目标识别系统可以实现自然场景图像中的景物目标识别。　　 本文面向自然场景的图像理解,以机器学习为基本方法,对其中特征选择和融合、模型建立、目标关系表达等方面展开研究,具有较强的理论意义。另外,对自然目标进行识别具有潜在的应用前景,具有一定的应用价值。