利用局部视觉特征来解决计算机视觉中的物体识别问题是当今研究的一个趋势。其中关键问题是如何利用好局部视觉特征,使其能够如实地反映图像语意。另一方面,机器学习领域中概率图模型由于其灵活的建模方式和成熟的算法在很多领域取得不少成功。本文主要阐述概率图模型的理论算法和在视觉特征分析中的应用,并且对一个从文本挖掘领域借鉴来的LDA模型进行扩展,使其能够更加适合视觉问题。从内容上本文对计算机视觉中的建模做了一个简要的综述,侧重于介绍使用概率图模型框架解决视觉问题的模型。本文还回顾了概率图模型的理论和算法,侧重于贝叶斯网络,EM算法,variational推断和Gibbs采样;而后详细解析了LDA模型的建模方式、推断和学习算法。接着本文提出了LDA一种的扩展模型――仿射不变的主题模型(AITM),并且应用到物体识别问题。经过在数据集上的仿真实验验证了AITM的有效性。本文最大的贡献是提出了AITM。作为对LDA的扩展,AITM放弃了LDA中“bag of words”的假设,加入了视觉特征的空间结构信息。AITM不直接对局部特征位置进行建模,而是假设在某个给定的隐主题下局部特征的位置是由先验位置在某个仿射变换后得到的,并且把先验位置和仿射变换建模成隐变量。AITM的优势在于能够用较少的参数来刻画视觉特征空间结构,不易导致特征组合爆炸的问题。