随着计算机和网络技术的发展,图像和视频呈现爆炸式的增长。因此,如何从海量、复杂的数据中快速准确地找到所需要的图像和视频数据成为了一个急需解决的难题。为了解决这一难题,人们提出了基于语义信息分类的非参数贝叶斯方法。图像中语义信息的选择与提取通常是基于内容的,然而如何提取有效的语义信息作为分类特征就成了研究的重点。针对现有方法存在的问题与不足,本文对基于图像中语义信息内容的提取与分类进展开了研究,论文主要工作如下：首先,本文提出了一种基于双变量LDA的分类算法,该方法能够同时对两种不同的语义信息进行语义挖掘,解决了现有方法只能对处理单变量进行提取和分类的问题。实验结果表明,该方法能够有效挖掘不同类型的语义信息内容并进行分类处理,识别率较原始LDA方法有了显著提高。其次,针对无法提取图像隐含语义信息的问题,本文提出了基于贝叶斯混合模型的特征提取算法,该方法利用贝叶斯混合模型逆回归的方式确定图像中判别特征的位置信息,对数据进行降维；然后利用DLA对降维后的数据进行分类。实验结果表明,该方法能够有效利用对图像中判别性强的位置进行定位,从而提高了分类的效果。实验表明,本文提出的方法可以针对不同类型的数据,提取各自的语意特征,提高了识别的效果；针对图像数据,对判别性强的位置信息进行定位,增强了特征提取的判别性,进而提高了分类识别的效果。