进入21世纪以来,随着计算机的普及和互联网的发展,人们的工作和生活方式发生了巨大的改变。计算机不再是工程师的专利,互联网成为生活必需。多媒体技术作为互联网的核心,带来了一次又一次的服务升级。人们不再满足于单纯的文本服务,以图像为核心的应用不断涌现。从天气预报到工业产品检测,从小区安保到医学图像分析。从图像本身提取信息成为一个研究热点,即图像的标签提取技术。然而,目前对智能识别技术的研究只处于初级阶段,已得到广泛应用的模板匹配、神经网络和支持向量机等算法都只能识别较少的物体。难点在于增加识别对象的个数会带来指数倍增长的计算开销,新对象的引入加剧了类间干扰。为此,本文研究了目前在国外流行的一种针对较大数量物体的识别技术,即纹理基元提升算法,并对其进行了改进：提出了一种新的滤波器组的组成方案和一种新的共享集搜索策略。新的滤波器组裁剪了原滤波器组的a,b两个颜色分量的边缘和亮度信息,合并为H分量,用Gabor滤波器提取四个方向的信息代替原算法的横纵两个方向的滤波器,实验证明：新的滤波器组在相同的条件下,缩短了14.5%的聚类时间,而聚类半径缩短了一倍。新的共享集搜索策略引入了随机性,增大了贪婪算法收敛于全局最优解的概率,几乎使得全部解都成为“最够好”,时间性能上也有33%的提升。本文将该算法应用于图像标签识别,可以在一定的误差范围内快速的识别出给定图片中的物体类别。