图像美学评价旨在令计算机模拟人类的主观审美思维对图像进行美学价值的评估与判断,是一项非常具有挑战性的课题,尚没有统一的评价标准。可计算美学评价是目前主要的研究方法,但由于特征简单而存在与人的主观感知相关性低的问题。本文针对现有的图像美学评价方法只注重图像手工特征的提取,评价效果严重依赖于图像主体区域识别效果并且美学分类准确率偏低的问题,提出了一个基于潜在语义特征的可计算图像美学评价模型。通过对图像进行超像素分割提取兴趣点密度加权的局部手工特征,对手工特征进行特征映射编码处理,得到图像的潜在语义特征和语义特征,利用机器学习方法建立图像美学评价模型,最终实现了机器自动评估图像美感度的高低。本文以图像美学的分类评价为研究重点,主要工作和创新性如下:首先,提出了一种图像美学评价特征——潜在语义特征。类似于文档领域的潜在语义分析,潜在语义特征是用来衡量图像美学特征向量之间的相似性和共现性的一种特征。通过对美学特征向量进行单词映射编码得到美学特征词汇文档,并利用潜在狄利克雷分布(Latent Dirichlet Allocation,LDA)模型计算特征词汇文档的潜在主题词,然后统计特征词汇文档与主题词汇之间的相似性得到潜在语义特征。其次,设计了基于兴趣点密度加权的超像素分块算法用于提取图像的局部手工特征。通过加权超像素引入图像空间属性,克服手工特征的空间信息丢失问题,大大减少特征维度;并且通过兴趣点密度来衡量图像局部区域的复杂度,使得提取的图像特征与美学复杂度属性相关。最后,为了进一步提高图像美学分类模型效果,使用图像分类识别领域的基于局部约束的线性编码(Locality-constrained Linear Coding,LLC)方法对局部手工特征进行特征映射编码,得到图像的美学语义特征。通过潜在语义特征与语义特征组合进行图像美学评价。本文算法通过在AVA数据库进行实验,使用准确率混淆矩阵和ROC曲线作为训练分类模型的性能评价指标来衡量本文算法的有效性。与其他美学评价方法进行对比,实验结果表明本文提出的潜在语义特征用来图像美学评价是有效的,潜在语义特征跟语义特征组合可以很好地提升图像美学分类模型准确率。