自IB方法提出以来,IB理论及其算法在各领域的应用不断地加深,随之也暴露出一些问题,其中之一是：IB理论所定义的相关变量必须与源变量以共现数据的形式出现,即IB算法需要事先得到源变量与相关变量的联合分布,因此,无法将IB算法直接应用于以像素为基本单位的图像数据模式分析中。sIB算法是经典的IB算法之一,本文旨在为该算法引入一种有效的图像相关变量构造的方法,将其应用于图像数据模式分析中,使得sIB算法能够根据图像中所隐含的语义信息对图像进行无监督分类。针对此问题,本文将视觉词袋图像表示模型引入到sIB算法中,提出一种基于图像语义的sIB算法：BoW-sIB。该算法首先通过矢量量化部分局部特征的方法,为所有图像构造一个共同、固定的视觉词库,并将其作为图像相关变量的取值域；然后将从图像中抽取的所有局部特征映射到该词库中,把局部特征转换为视觉单词；根据视觉单词在图像中的统计信息将图像数据集转化为共现矩阵,从而使得sIB算法可以有效的应用于图像无监督分类中。在Caltech图像数据库上的实验结果表明：在视觉词袋图像表示的基础上,与隐含变量模型及谱聚类算法对图像进行无监督分类的方法相比,BoW-sIB算法能更有效的发现图像数据集中所固有的分类模型；与基于邻近传播算法的图像无监督分类方法相比,BoW-sIB算法在性能上具有明显优势。