视觉艺术是一种可以观看欣赏的艺术作品,它涉及包括绘画、建筑、摄影在内的多种艺术形式,同时也广泛存在于我们的日常生活中。随着人们在精神文化方面的追求不断提升,越来越多的人开始流连于美术馆、画廊、艺术展览馆等地。因此,使用计算机方法帮助非艺术专业人士理解和欣赏视觉艺术作品变得愈发重要,众多国内外研究者也聚焦于视觉艺术图像分类与分析的研究中。现有工作通常使用深度学习方法,采用全局与局部特征相结合、提取图像的多层次特征等手段对视觉艺术图像进行分类。这些方法主要存在着以下两点局限:其一,视觉艺术图像的类别与艺术史息息相关,单纯根据图像特征进行分类忽视了历史背景对艺术发展的影响;其二,识别视觉艺术图像不同于一般图像细粒度分类任务,其类别不仅仅取决于图像中的显著物体,采用常规的图像分类方法区分视觉艺术图像不够准确。针对以上问题,本文从多维度相关性入手进行视觉艺术图像的分类与分析。考虑到艺术画风格的演变与艺术史背景之间存在的联系,本文探索艺术史维度的特征,并总结归纳出影响艺术画风格形成与发展的三种因素,包括发源地、起源时间和艺术运动。针对不同因素,本文设计了对应的知识提取策略来生成标签分布,为输入图像提供艺术史补充信息,并在一个多任务学习框架上训练模型。本文在多个艺术画数据集上进行实验,证明了该方法相比于单标签分类方法具有优越性。此外,本文提出了另一种应用更为广泛的自适应跨层相关性的卷积神经网络框架,从视觉维度捕捉图像的纹理信息用于多种视觉艺术图像的分类。该方法采用自适应跨层相关性的架构,根据特征的内在相关性对不同空间位置上的特征进行加权,并封装到网络中,通过端到端的训练学习视觉艺术图像的丰富纹理信息。本文在三个不同种类的视觉艺术数据集上进行了大量实验,证明了提出方法的有效性和鲁棒性,该方法优于现有分类技术和传统的卷积神经网络架构。