随着拍照设备和社会媒体的快速发展,每天在社交网络中出现的图片数量数以亿计。面对如此海量的图像数据,寻找一种能够正确分析和理解场景内容的方法来管理这些图像数据,这对科学研究和工业应用都有重要的意义。然而图像场景内容类内的不一致性、类间的一致性、光照变化等的复杂性以及需要了解相关领域的专业知识来提取关键特征,这都对图像场景的识别造成很大的阻碍。如何有效的自动的提取图像场景特征,挖掘图像的潜在主题成为一个迅速发展的研究课题。深度神经网络模型和潜在狄利克雷分配模型在处理视觉领域问题时显示了各自的优势。为了改善传统图像场景语义识别的局限性,本文试图结合两个模型的优点,提出了基于概率主题模型的图像场景语义识别方法,将原始特征空间投影到主题空间中,用主题分布来表示图像。本文研究的主要内容如下:第一,针对传统场景识别方法特征表达能力不足和对专业知识要求高的问题,本文利用深层神经网络卓越的自动学习能力,将在ImageNet数据集上训练得到的权重迁移作为网络的初始权重,微调卷积神经网络,自动的分层的提取符合图像场景的视觉特征。第二,为了获得符合主题模型的输入,首先需要将提取的特征编码,利用特征编码方案将提取的特征聚合成全局向量表示的形式。针对传统特征编码方案存在的不足,本文提出使用改进的硬分配编码方案对提取的特征聚类,生成合适的视觉词典。第三,针对传统方法未能充分利用图像潜在语义的情况,结合潜在狄利克雷分配模型的思想,通过对图像建模学习和概率推导,抽象视觉词的潜在相关性来获取更高层次的主题语义,得到更接近人类视觉认知的图像场景的主题分布,从而提高图像场景语义识别的准确率。通过实验分析和验证,本文提出的基于概率主题模型的图像场景语义识别方法能够有效的结合卷积神经网络强大的特征学习能力和潜在狄利克雷分配模型的主题推导能力,为图像场景语义识别任务提供了一种新思路。