随着网络技术的迅速发展,基于内容的图像检索已经成为信息领域的一个研究热点。但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,使基于内容的图像检索结果不能满足用户的需求。为了克服这个困难,各国的研究人员提出了众多解决方案,如基于区域描述的图像内容表述及相关反馈技术等。子空间分析方法是统计方法中的一种,它的思想是把高维空间中松散分布的样本,通过线性或者非线性变换压缩到一个低维的子空间中,在低维的子空间中使样本的分布更紧凑,实现样本的有效描述。本文在参阅大量文献的基础上,利用子空间技术在基于内容的图像检索及分类方面展开了研究。本文的成果性工作包括:①本文从有效地描述图像内容的角度出发,提出了一个基于SVM集成学习的伪语义模型,把图像内容的高维视觉底层特征描述映射到一个低维的伪语义子空间,实现对图像语义概念上的聚类;通过集成学习还能够有效地避免SVM学习中的样本有偏(Sample bias)问题。②在相关反馈中,为了克服K近邻(KNN)和传统SVM主动学习(SVM activelearning)中的训练样本过于聚集的问题,本文提出采用基于样本随机分组策略的稀疏主动学习,从而保证训练样本的信息最大化。③在相关反馈中,为提高在线学习能力,本文提出基于ONPP的随机子空间集成的策略。通过ONPP构造样本之间的流形结构,来挖掘图像之间的语义关联。通过对各个相应子空间得到的分类器进行集成学习,得到了很好的检索效果。④在基于内容的图像分类中,针对SVM分类器具有良好的全局分类性能,但是对于“局部”样本(分类面附近)分类不够精确的特点,本文提出充分利用“局部”样本之间的语义关联,采用流形子空间分析方法,对“局部”样本的基于SVM的判别输出进行更新,从而实现分类性能的提高。