随着信息化技术的高速发展,图像数据也井喷式的涌来,基于内容图像的检索变得越来越重要,计算机视觉作为一门新兴的而具有旺盛发展力的技术应时而生,计算机视觉的本质是通过计算机等相关设备实现再生物感知信息的一种模拟,使用计算机来代替人的大脑进行数据处理和显示。场景理解作为计算机视觉的关键技术,从像素点二维阵列中,得到高层语义解释,达到人工智能的效果,场景理解技术逐渐进来研究的难点和热点。本文对现有的经典的场景理解的算法进行分析、研究和实现,同时结合图像处理和模式识别的一些相关知识,提出了一种基于超像素的场景分类算法,在一定程度上提高了算法的性能。本文所作的研究工作如下：1.详细阐述了词袋法(BOW)的原理,词袋的的特征如何提取、以及视觉单词的形成、词典的形成,同时使用六种场景来检验词袋法的分类精度,得出分类精度的混淆矩阵。2.研究实现了基于PLSA(Probabilistic Latent Semantic Analysis)模型场景理解技术的算法,详细分析了PLSA模型的原理,通过PLSA模型建立起文本、单词、语义之间概率模型,通过EM算法来估计模型的参数,用词袋法所使用的六类场景来测试通过PLSA模型训练好的分类器,同样得到分类精度的混淆矩阵。3.提出一种基于超像素(Superpixels)的场景理解的分类技术,在特征提取的时候使用超像素算法来得到超像素块,每个超像素块作为一个独立的单元,通过Gabor滤波得到超像素块的纹理特征,然后计算超像素块的颜色特征(一阶颜色矩)和相对位置信息,得到超像素块的特征向量,通过训练聚类得到新的视觉单词,形成词典,然后使用本次试验的六类场景分类,得到分类精度的混淆矩阵。这三种方法的一个重要的区别在于,词袋法和基于PLSA模型的场景分类采用的特征提取方法是经典稀疏区域特征的SIFT算法,而基于超像素算法的场景理解采用的是区域统计特性的特征提取方法。