图像的语义分割是指将图像分割成具有一定语义含义的分割块,并对每个分割块进行相应的语义标识,是基于内容的图像压缩、图像检索等多媒体应用领域中的关键技术。把图像分割和图像的识别与理解结合起来,对输入图像进行语义分割的研究非常活跃,也是当前国内外图像处理领域的研究前沿。但是当图像中同时存在多类不同形状和大小的对象时,如何有效地获取不同语义对象之间的边缘信息,依然是个具有挑战性的问题。当前的一些图像语义分割算法只对图像的全局特征或是局部像素点特征的摘要进行语义学习和预测,对特征的学习不够充分,导致分割对象轮廓模糊,造成错误识别。也有部分算法是对像素点级别的特征进行语义学习和预测,这样虽然可以确保特征的学习足够充分,但是语义的预测过程很耗时。针对上述两类算法的优缺点,在充分利用相邻像素点间的相互关系和保留物体间的棱角和边缘信息的条件下,提出一种基于纹理基元块的图像语义分割算法。首先提取纹理基元特征,结合k-means和k-d树得到图像的纹理基元块分割图,再采用基于SVM的图像语义学习和预测方法实现纹理基元块的语义映射,最终完成对图像的语义分割。从MSRC图片库中选取了11组对象图片进行实验,实验结果表明该算法能对多种语义对象进行分割和识别,分割出的对象具有清晰的轮廓;识别准确率较基于高阶CRF模型的图像语义分割算法有6.73%的提升,预测速度从基于像素点级别的Texton Boost系统的11.657秒/张降至1.173秒/张,有效地提高语义学习和预测的效率。