模式挖掘是计算机视觉领域和数据挖掘的一个重要研究方向,被广泛用于自然场景、旅游中图像模式的表示,也用于目标识别、目标检测和场景分类等任务。视觉模式是通常出现在图像中的基本视觉元素,并且比原始像素更倾向于传达更高层次的语义,代表视觉世界中可辨别的规律性,并捕获了视觉对象或场景的本质。视觉模式挖掘通过识别图像中在视觉上具有区分性和在语义上有意义的区域来解决不同的视觉识别任务,所挖掘出的视觉模式通常具有判别性和频繁性两个性质。本论文主要研究图像视觉模式挖掘技术,不仅解决了过去挖掘的视觉模式仅具有频繁性或判别性的问题,保证了挖掘出的视觉模式同时具有频繁性和判别性,还解决了如何从一张图像中定位代表性区域的问题。针对图像的视觉模式挖掘,本论文提出基于特征密度聚类的方法来解决视觉模式的频繁性问题、基于深度相关特征聚类的视觉模式挖掘算法（Deep relevance feature clustering,DRFC）和基于联合判别性和频繁性的视觉模式挖掘算法（Jointly Discriminating and Frequent Visual Representation Mining,JDFR）来解决视觉模式挖掘的问题,具体内容如下:（1）基于特征密度聚类的算法。先前,频繁模式挖掘算法被用于来保证视觉模式的频繁性,但是这种算法需要重复扫描数据集,对计算内存消耗过大。为了解决该问题,聚类算法根据数据间的相似度进行聚类,并且类间的相似度大,类内的相似度小,将聚类算法应用于视觉元素中,发现该算法能够很好的找到数据集中频繁出现的一些照片,从而保证了视觉模式的频繁性。本文提出一种基于特征密度聚类的方法,将频繁出现的对象或内容在特征空间中看作是一个高度密集的簇,通过聚类得到最密集的特征,即保证了视觉模式的高频繁性。（2）基于深度相关特征聚类的模式挖掘算法。过去的方法通过使用频繁模式挖掘算法或者无监督最大阈值从海量图像中挖掘视觉模式,但是它们挖掘出来的视觉模式通常仅具有频繁性或判别性,无法同时满足这两个性质。针对这个问题,基于深度相关特征聚类的模式挖掘算法提出将分层相关性传播和密度聚类算法相结合的方法（DRFC）来挖掘视觉模式,通过训练一个分类网络,将图像分类到相应的类别,从而保证图片的可识别性。为了获得和理解所学习的表示,该方法利用了分层相关性传播（Layer-wise Relevance Propagation,LRP）和相关特征聚类算法,其中分层相关性传播帮助了解网络的高层特征图和低层特征图中（甚至是图像中的像素）的哪些相关特征对最终预测的贡献最大,以定位照片中的视觉表示,从而保证了对应区域的判别性。同时,根据特征空间中的密度对相关特征进行聚类可确保照片集中视觉表示的高频繁性。实验表明,DRFC方法可以发现具有判别性和频繁性的视觉表示,并且优于其他先进方法。（3）基于联合判别性和频繁性的视觉模式挖掘算法。基于深度相关特征聚类的模式挖掘方法尽管能够找到同时具有判别性和频繁性的视觉模式,解决了一些先进工作的不足,但是该方法将视觉模式的这两个性质分开来保证的,因此可能无法得到最优解。为了解决这个问题,本章提出使用交叉熵损失和三元损失来联合优化一个端到端的网络。交叉熵损失通过分类任务保证视觉表示的判别性,三元损失通过探索在特征空间中高密集的视觉表示保证视觉表示的频繁性,这些视觉表示不仅类内间距小,而且有足够的类间间距。由于视觉表示通常仅仅是图像中的一个区域,因此该方法还设计了一个注意力模块从图像中定位最具有代表性的区域。最终通过大量实验表明了基于联合判别性和频繁性的视觉模式挖掘算法的有效性。