随着互联网和多媒体技术的快速发展，图片数据呈几何式增长。其中有一些图片令人们印象深刻，有一些图片却容易被人们忘记。近些年来，研究者们发现这种现象可用图像可记忆度解释，图像可记忆度是图像的固有属性，旨在描述一张图片能够被人记住的程度。目前，对图像可记忆度的研究主要有两方面，一方面是研究影响图像可记忆度的因素，另一方面专注于对图像可记忆度的预测。现有的很多图像可记忆度预测方法通过简单的特征串联表征图像，同时训练一个核化的支持向量回归来预测图像记忆度分数。以上策略虽然取得了一定的预测效果，但容易造成特征冗余，且特征学习与预测相互独立，缺少整体学习的机制，影响预测效果的进一步提升。
　　本文基于对图像特征表征和预测模型的创新，针对图像可记忆度预测完成以下研究工作。本文提出了一种联合低秩稀疏表征的图像可记忆度预测方法，该方法的核心在于对原始特征矩阵进行低秩稀疏约束，实现有判别力的特征表征，解决特征冗余、信息含量少的问题。同时该方法通过学习一个稀疏的相关系数向量建立了有判别力的特征与图像可记忆度之间的对应关系。为了进一步提升预测模型性能，本文提出了一种基于低秩稀疏表征和关系推断的图像可记忆度预测方法，该方法将原始特征矩阵映射到低秩稀疏的子空间，同时利用逆协方差矩阵自适应地估计图片样本之间的关系结构，实现了对特征表征与回归预测的指导，极大地提升了图像可记忆度预测的鲁棒性。
　　最后，本文在图像可记忆度领域公开的两个数据库上进行综合评测，大量的实验数据证明了本文所提出模型的鲁棒性和预测精度。