在过去的数十年中,由于智能移动设备和先进移动多媒体服务的广泛应用,用户可以通过社交网络随时随地的上传图像。最近,更多的社交网络不仅收集图像,还收集一些和图像相关的用户产生的元数据,如照片拍摄地点、拍摄时间等。图像等多媒体资源信息量快速的增长,在学术研究领域以及应用领域对图像等多媒体内容信息查找的需求也更加强烈,在大量的图像中找到用户感兴趣的图像成为一个非常活跃的研究方向,其中一个方向就是结合包括图像文本信息,图像底层视觉特征,图像地理位置等信息来进行图像推荐。简而言之,如何利用多特征进行图像推荐从而达到比单特征推荐更好的效果是本文的研究重点。本文首先分析了当前多特征图像推荐的研究现状以及存在的问题,提出了一种基于异构超图的结合多种图像特征信息的图像推荐算法框架,将机器学习中梯度下降的分类方法应用到超图中图片的排序分数计算当中,并进行了相关的实验对图像推荐算法中的搜索性能和满意度进行了研究分析。本文的主要工作如下:一、图像特征的获取并构造多种图像特征信息的异构超图本文针对单一图像特征并不能达到很好的推荐满意度这一缺点,采用多种图像特征信息,分别在图像文本、图像底层特征两个特征维度上提取特征并建立异构超图,其中包括对图像标签的预处理环节,本文提出了一种基于图像显著特征的软近邻投票方法来对图像的标签进行重新排序和筛选。最终给不同特征的异构超图赋予不同权重,形成一个统一的多特征异构超图,作为之后机器学习权重和排序分数学习的输入。二、基于多特征异构超图中图片顶点的排序分数的计算在特征提取后并构造出来的统一的多特征的异构超图的基础上,运用机器学习中梯度下降的分类方法来对异构超图中的不同图片的排序的分数来进行学习。当用户输入一张图片时,根据构建出来的多特征异构超图来对图片库中的图片进行排序分数的迭代计算,再将与输入图片最相似的k张图片返回给用三、推荐算法框架实验结果和分析本文将提出的图像推荐算法框架进行了实现,分析了算法的时间空间复杂度,并和当前主流的的单特征的图像推荐算法以及多特征图像推荐算法进行推荐满意度等方面的对比。本文提出的基于多特征异构超图的图像推荐算法框架分为两个过程,分别为:(1)离线超图构建;(2)在线排序分数计算。经过对实验结果的分析和对比,本文提出的基于多特征异构超图的图像推荐算法给出的图像推荐结果有较好的满意度。