随着数字照相机的普及和网络多媒体的快速发展,互联网上的图像等多媒体内容的数量正在以指数级的速度迅猛增长。因此,实现对规模日益庞大的图像数据的有效管理和检索具有十分重要的现实意义。相应地,如何准确的对图像数据进行聚类与分类逐渐成为近年来热点研究问题。但是由于受到目前图像理解技术的局限,图像的视觉底层特征和高层语义之间存在着著名的“语义鸿沟”问题。为了解决这种由底层视觉特征和高层语义之间的差异所造成的困难,提高聚类以及分类的性能,本文首先提出了一种局部样条嵌入的半监督子空间学习算法。该算法的目的是学习一个投影矩阵,使得训练样本中的标注数据经过投影矩阵降维后其类间离散度尽量大,类内离散度尽量小。同时,该算法通过局部样条回归可将局部低维嵌入坐标映射成全局低维嵌入坐标,使得被投影数据保持原有流形结构,有效利用了有标注训练样本和未标注训练样本,从而得到优化的图像表达方式。通过与半监督判别分析算法比较,局部样条嵌入的半监督子空间学习算法具有更好的推广能力。但是局部样条嵌入的半监督子空间学习算法所求得的子空间投影矩阵不是正交的。非正交性使其不能保持高维空间的测度结构以及不能用于估计高维数据的内蕴维度,从而在一定程度上降低了该算法的性能。因此我们在原算法基础上引入了正交化处理,提出了基于正交投影的局部样条嵌入半监督子空间学习算法。最后,我们将提出的算法应用到了实际的图像聚类与分类任务中,通过在几种常用的图像数据集上的测试,实验结果表明了该算法的有效性。