图像理解是当前计算机研究领域的热点和难点，其根本任务就是让计算机正确解释所感知的图像场景以及场景中的内容，图像理解与计算机视觉、与人工智能有着密切的联系，具有重要的理论研究意义和广阔的应用前景。图像理解具有鲜明的层次性，作为图像理解的低层数据的是视觉信息，理论出发点是计算机视觉，作为图像理解的高层数据是知识信息，理论依据出发点是人工智能。图像理解中视觉数据和人类知识两种类型的信息流贯穿图像理解的整个过程，但是目前对这两种类型的数据和信息流的研究基本上是割裂的，忽略了知识和数据之间的融合，忽略了低层处理和高层分析的联系。本文从数据驱动知识、知识指导数据这一图像理解的核心问题出发，从视觉信息分析处理与知识信息分析处理的结合部入手，着重研究图像理解信息流中数据和知识的表示、存储、分析和转换，研究合适的视觉信息处理载体和知识信息处理方法，实现广义目标检测识别、区域语义理解以及场景分析等图像理解的主要任务，形成新颖的图像理解方法：同时，研究图像理解的结构特性，构建新型的目标空间关系模型和整体场景的分析模型，建立模型之间的约束反馈机制，体现理解的反馈和渐进性，指导先验信息的获取，并作用于低层的视觉数据处理分析，提高理解的速度和准确性，初步形成新型、完整、有效、快速的图像理解原型。本文的主要工作如下：1、研究了图像理解中数据和信息表示的融合，概述了图像理解中常见的信息表示方法，侧重描述新的“知识”和“数据”两种信息的融合和转换手段，体现图像理解中实体的认知关系；研究了图像理解中视觉信息的提取问题，总结了图像理解视觉特征的提取策略，建立了视觉像素的统计概率模型，在模型基础上提出了一种新的目标定位方法，对背景具有一定的抗背景干扰能力，并形成了对特征提取方法的有益补充。2、研究了图像理解中视觉信息的存储与分析，针对图像理解中的图结构模型载体分析问题，总结了图模型中经典的参数估计和概率推理方法以及在视觉分析中的应用，提出了一种基于目标空间关系的无向图结构模型，讨论了新模型中的参数学习问题，推导出迭代公式，进行场景目标分析，形成对图像理解认知载体的丰富和完善。3、研究了图像理解中视觉信息的概念认知划分，针对广义目标检测识别方法问题，提出了基于共享特征的层次Boosting目标检测识别方法，可同时进行多类目标检测和识别，在检测率近似保持不变的情况下，提高了目标的识别率，缩短了分类的搜索时间，体现了图像理解的渐进性，形成了视觉信息向知识信息的转换。4、研究了图像理解中的知识处理和分析，针对图像理解中的区域分析和语义标记问题，提出了基于粗糙集合的区域分割方法和知识库约简方法，对场景中视觉属性较为一致的区域具有较好的分割效果，同时在保持概念分类能力不变的情况下形成了知识的有效约简，一定程度上避免的噪声数据的干扰，提高了语义标记和区域分析的合理性，实现了数据和知识的融合。5、初步研究了场景分类的基本方法，提出的高斯概率统计模型对场景分类具有一定的有效性，同时，验证了场景分类信息对目标分析的指导和约束作用，提高了目标分析的准确度，体现了图像理解中反馈的认知结构。