基于计算机的图像分析是图像内容自动识别与理解的基本技术途径.图像分析的实现通常是利用一个判别函数,对提取的图像特征进行计算,得到判别值.线性判别函数计算简捷,但精度较低,非线性判别精度较高,但计算复杂.图像特征一般包含多种类别,例如,颜色、形状、纹理等特征,网络图像通常与文字穿插、混合一体,文字的鲜明语义对于图像分析有着特别重要的意义,目前商业化的图像搜索软件主要利用文字进行图像检索.综合利用多模态特征进行图像分析,是目前图像识别与理解的主流研究方向.多模态特征通常维度很高,容易产生"维数诅咒"问题.因此,降维、量化技术随之得到重视,我们在特征的快速量化映射方面,提出一种基于共生概率的快速量化算法,利用已量化的特征预测相邻特征的量化值,结合树型搜索算法,取得了准确、快速的量化映射效果.针对数据分布的流形表达,提出一种组合流形正则化学习框架,类似于基函数组合,选择一组基流形,线性组合基流形来表达任意的流形分布,,流形参数和模型参数自动联合学习,任意流形分布可以得到优化的基流形与组合系数.在多模态特征的图像分类方面,提出一种基于信息瓶颈理论的多视角学习算法,利用信息瓶颈理论进行特征降维,模拟多通道的通信系统设计多视角学习模型,引入最大化间隔约束,提高低维特征的区分能力.另外证明了特征的互补性可以提高算法的鲁棒性,特征的一致性则可提高算法的泛化能力.