随着多媒体和计算机网络技术的飞速发展,数字图像的数量正以惊人的速度增长,如何快速、准确地检索到所需要的图像成为急需解决的问题,图像检索技术的研究已成为当今多媒体技术中的研究热点。由于图像的低层视觉特征和高层语义之间存在着较大的语义间隔,导致单纯基于其中一类特征的图像检索效果不佳。本文提出将语义分类和基于视觉特征的图像检索结合起来,利用图像库的语义分类结果对视觉特征检索结果进行过滤。本文围绕图像语义检索、图像视觉特征的提取以及基于学习机制的图像分类问题做了细致的研究。本文首先分析了目前在研究应用中的三大类图像检索方法,针对有监督和无监督两类方法对图像的语义检索方法进行了研究。图像的语义信息对完整地表达图像内容具有重要的作用,通过语义分类的方法可以提高图像检索的性能。其次,在提取图像视觉特征的过程中,分析了图像的颜色、纹理、形状特征的不同提取算法,针对自然图像内容丰富复杂的特点,采用了基于HSV(Hue,Saturation,Value)的颜色特征、基于灰度共生矩阵和灰度纹理矩的纹理特征及基于不变矩的形状特征。通过实验验证了检索算法的有效性。最后,重点研究了支持向量机的多类别分类算法,对核函数和参数的选取方法进行了分析。在此研究的基础上,利用SVM(Support Vector Machine,支持向量机)分类方法对图像视觉特征和语义信息进行综合学习,建立图像类别模型,从而进行图像的分类检索。以自然图像库为例进行实验,结果表明本文提出的图像分类检索方法较单一特征检索有较好的效果,检索效率和精度都有所提高。