随着信息技术的高速发展，信息量呈几何级数增长从而引发信息爆炸的问题。近三十年来，人类生产的信息量已经超过过去5000年信息量总和。面对越来越庞大的数据和海量信息，相应的信息处理和分析技术成为发展的瓶颈。如何结合定性和定量方法找出一个有效的分析方法，建立一个高拟合度的数学模型，发掘数据背后的信息用于决策、控制和预测等，是研究中的重点内容。分析表明，概率图模型是处理不确定问题和海量数据的重要方法之一，它结合了图论和概率论用于解释复杂不确定现象，广泛用于统计建模、人工智能学科等领域。为此本文重点研究了图模型以及树结构图模型，针对现有树模型学习算法中存在的问题作出了改进，同时积极探索了树结构图模型在物体识别领域的应用。本文主要研究内容如下：(1)简要总结了图模型的历史和研究现状，在此基础上重点介绍了树结构图模型以及含有隐结点的图模型，分析了树结构图模型以及隐树模型研究中存在的问题。(2)给出基于模糊多特征递归分组算法的隐树模型学习方法。首先，将变量的原始观测数据通过反映其特征的模糊隶属度函数转化成多个模糊特征，并构造多维模糊特征向量；其次，计算两两变量相应模糊特征向量之间距离得到模糊特征向量距离矩阵；最后，基于该距离矩阵利用递归分组算法学习隐树模型。此外，本文通过实际数据进行仿真，验证了算法的有效性。(3)在已有上下文模型基础上进一步考虑了物体的空间位置关系信息，给出了基于空间位置关系改进的上下文物体识别方法。首先，将图像全局特征、物体同现性关系和空间位置关系信息、局部检测器输出整合到同一个概率框架中；其次，充分利用树结构图模型高效推理的优势建立了新的物体识别算法，既大大提高目标识别率又能更好的保持场景的一致性；最后，通过实际图像集进行算法验证和对比，说明算法的有效性。