图像语义分析与描述是多媒体领域非常活跃的研究方向，研究目的是设计符合人类认知的算法和系统，实现图像信息的有效组织、管理和共享。图像语义分析与描述是图像应用软件实现商品化、并被广大用户接受所必须解决的主要问题之一．研究难点是如何解决低层特征和高层语义之间的语义鸿沟问题，研究目标是力图使计算机能从人的认知角度来描述图像信息，建立符合用户理解的语义表示模型，以便得到用户满意的检索结果。 论文基于本体理论在图像建模方面的研究成果，开展了图像的人本表示（Human-centered Presentation）课题的研究。研究内容包括：基于本体的图像人本表示模型、基于类相关的特征选择、层次结构语义分类器和基于子空间聚类的索引。针对这些问题提出有效的算法，并用实验验证了这些算法的有效性。 将本体概念引入图像语义分析和建模，论文提出一种基于本体的图像人本表示模型。该表示模型的主要特色是，在传统图像本体的文本概念子本体、视觉描述子本体和媒体描述子本体基础上，增加了用户概念子本体。引入用户概念子本体不仅使得系统语义定义能比较准确地符合用户的理解，同时也丰富和补充了本体的语义内容。 为了提高语义分类性能，提出一种基于语义类相关的特征选择算法，定义了基于对称KL距离的语义相关性测量函数，并提出使用X2函数度量数据动态分布的方法，判断新插入数据对特征空间的影响，实现特征空间的动态修正。 论文根据用户定义的语义分层结构，提出一种减少错分现象的层次分类器结构。为了消除新插入图像库的无标注图像对分类器的影响，提出一种改进的直推式学习算法，实现层次分类器结构的动态更新。 在基于内容的图像索引方面，提出一种基于子空间聚类的索引算法。该算法采用基于小波的子空间聚类，减少了聚类算法中预定义参数个数，而噪声节点的定义则不仅保存非聚类数据点，保持数据的完整性，同时减少了节点级连劈裂操作，改善了聚类树的动态性能，提高了图像索引的时空效率。