随着计算机技术、网络技术和智能通讯技术的飞速发展,大量的图像数据在网络上广泛传播,并且呈现爆炸式增长,如何有效地管理和利用这些图像资源已经成为当前面临的一项难题。虽然人们在图像检索领域已经取得了不少成果,但是仍然存在很多问题。基于文本的图像检索由于效率低和人为主观性早已无法满足当前大数据时代的需求;基于内容的图像检索由于无法解决“语义鸿沟”问题而阻碍了其发展;基于语义的自动图像标注是当前图像检索领域的主要发展方向,研究者在该领域做了很多研究和探索,但是仍然面临着很多技术难题。针对图像检索领域的研究现状和发展趋势以及当前所面临的诸多难题,本文提出了一系列有效的改进方法,主要有以下几点:(1)基于语义的自动图像标注需要利用图像分割算法对图像进行预处理,并且准确而有效的进行图像分割,对后面图像特征提取以及标注模型的构建非常重要。本文提出了一种改进的图像分割算法,该算法的基本思想是:首先使用Mean Shift算法对图像进行预分割,由于Mean Shift算法对图像边缘比较敏感,因而可以很好的提取出图像的边缘信息,但是该算法也很容易产生很多小的区域,针对这一缺点,本文利用Ncut算法对上一步得到的图像区域进行进一步处理,由于Ncut算法总是倾向于得到较大的图像区域,因而可以解决Mean Shift的过分割问题,并且由于Ncut处理的是已经分割好的图像区域,而不是像素点,所以大大减少了计算量,提高了算法性能,然而Ncut算法也存在一定的不足,该算法是一个NP难题,进行分割之前需要首先指定分割区域个数,如果该参数设置不当,也很容易产生过分割和欠分割现象,因而本文利用区域合并与分裂算法对Ncut处理后得到的分割结果进行进一步校正,对过分割区域进行合并,对欠分割区域进行分裂,尽可能提高图像分割结果的准确度。(2)本文提出了一种结合区域语义相关性和高斯混合模型的改进图像语义标注方法。传统的高斯混合模型都是直接根据语义后验概率的大小来得到图像标注结果:一种是直接选择语义后验概率较大的N个语义词作为图像的标注结果,另一种是直接选择语义后验概率大于某个阈值的语义词作为图像标注结果。而这种方法得到的标注结果并不准确,很容易产生一些多余的或者错误的标注词,影响标注结果的准确度。而且考虑到模型中的“语义鸿沟”问题,后验概率的大小并不能完全决定其权重,仅依据后验概率进行分类决策可能存在较大误差。针对以上问题,本文提出了一种基于区域语义相关性的GMM图像标注方法,将各区域之间的语义相关性融合到GMM模型中进行综合决策,对该模型的标注结果进行有效的校准和优化,从而提高标注结果的准确度。