随着网络技术的发展和移动设备的普及，各式各样的社交媒体大量涌现。社交媒体服务商只有提高用户的使用体验，吸引用户的关注度，才能在激烈的竞争中立于不败之地。社交媒体中，图像具有比文字更强的信息承载性和跨越语言障碍的沟通性，因而逐渐成为用户分享信息的主要载体。与此同时，海量的图像数据给社交媒体带来了极大的挑战。一方面，随着用户分享图像数量的增长，如何对图像进行有效地组织和展示越来越重要;另一方面，如何为用户自动推送他们所感兴趣的图像以及推荐他们所乐意关注的朋友，提高用户体验，吸引用户群，也是亟待解决的问题。　　本文以社交媒体中的图像数据为主要研究对象，使用图像显著性检测来进行图像内容感知，研究基于内容的图像缩放、基于内容的图像马赛克以及照片分享媒体的朋友推荐方法，设计更加符合用户要求的图像应用，以提高用户的使用体验。主要的研究成果有:　　(1)提出了一种基于多特征距离保持模型的图像显著性检测方法。图像的不同视觉特征从不同侧面反映了图像的特性，本文提出一种多特征距离保持模型(Multiple Features Distance Preserving Model，MFDP)来对图像的不同视觉特征进行融合，通过结合图像过分割区域间的差异性度量和空间距离关系度量，提出了一种快速有效的图像显著性检测方法。大量的实验结果验证了本文提出方法的有效性。　　(2)提出了一种无监督的多核学习模型。本文通过将多核学习与谱嵌入方法融合进一个算法框架下，提出了一种无监督的多核学习模型(Unsupervised MultipleKernel Learning Model，UMKL)。该模型可以自动确定不同核矩阵的权重并提取特征。使用该模型对社交媒体中用户关系进行建模，可以融合用户之间的多种交互信息来得到用户之间的社会关系和利用该社会关系训练用户之间的不同交互信息的权重。通过将这两种互为因果的操作整合在一个模型框架内，可以有效地分析出用户之间的关联程度，进行朋友推荐。　　(3)提出了一种结合MFDP显著图的照片分享媒体朋友推荐方法。照片数据是社交媒体中的主体数据，然而由于照片中含有较多的噪声，很难通过简单的方法得到照片之间的相似性，在对照片分享媒体进行朋友推荐算法设计时，照片数据是最难以利用的数据。为了解决这一问题，本文考虑使用MFDP显著性检测来对图像特征进行显著性加权，然后分析用户照片库的相似性，将照片数据应用到朋友推荐研究上。通过使用UMKL模型对媒体用户之间的交互关系进行建模，并与MFDP显著性检测方法相结合对用户之间的照片库进行相似性分析，针对当前最受欢迎的照片分享媒体Instagram提出了一种实用的朋友推荐方法。　　(4)提出了一种基于邻域不一致性的显著性检测方法以及基于该方法改进的Seam carving图像缩放方法。图像的邻域不一致性度量可以表示图像中任意像素邻域内像素值的变化程度，也就是局部邻域内纹理的变化程度。本文通过同时考虑图像的纹理信息和颜色信息，提出了一种基于图像邻域不一致性的显著性检测方法(Neighborhood Inhomogeneity Based Saliency Detection，NISD)，并基于此提出了一种改进的Seam carving图像缩放方法。使用所提出的显著性方法计算出的图像能量图可以使得显著目标整体高亮，有效地保护图像中的显著目标在进行Seam删除与插入时不受破坏。所提出的图像缩放方法可以解决照片在不同屏幕上的自适应显示问题。　　(5)提出了一种新的基于图像显著性检测的变尺度图像马赛克方法。图像马赛克是用多个图像拼接成一幅大图的技术，可以作为一个非常好的大量照片展示方式应用在社交媒体中，提升用户的使用体验。本文根据照片分享媒体图片的特性，提出一种基于图像显著性检测的变尺度图像马赛克方法。首先使用NISD显著性检测方法进行图像能量图计算，并利用所得到的能量图对图像进行剖分。然后通过融合显著加权的图像视觉特征来进行待填充马赛克块的图像检索。