近年来,随着互联网的迅猛发展,图像数据也因网络的发展而日益壮大,这些图像数据视觉上千变万化,语义上分散各异,用户越来越迫切需要对大型图像数据库方便快捷地检索,这时图像语义提取与分析技术应运而生。图像语义提取是进行语义分析和图像检索的前提和关键步骤,但是通过图像底层特征很难自动推导出高层语义,所以解决存在“语义鸿沟”一直是图像语义研究的热点。本文着眼于图像的语义提取领域,应用支持向量机技术研究了基于多特征融合的图像语义提取与分析技术。本文首先介绍了几种常见的图像特征描述,包括颜色直方图、灰度共生矩阵、形状轮廓等特征提取方法,还介绍了支持向量机的基本原理和核函数模型,为后续的研究提供了坚定的理论基础。针对传统的多融合特征方法对图像特征提取准确率不高的缺点,本文还运用了串行特征融合和并行特征融合的结合的思想提出本文的M特征提取方法,并且综合它们的优点研究现有多特征融合分类方法的基础上,根据核函数构造方法,提出了一个基于核函数组合的多特征融合分类模型。对图像颜色、纹理及形状特征中的显著特征提取出来并采取本文融合方法获得了本文需要的融合特征即M特征。基于以上的思想基础,本文设计了对比试验,实验结果证明本文的算法效果达到提取较高准确率的语义。最后,由于SVM分类器存在核函数的选择,并且SVM常用的核函数包括径向基核函数,线性核函数,多项式核函数和Sigmoid核函数。本文采取了径向基核函数,并将K-Means聚类分析方法融入到SVM分类器,本文还分析了这种方法存在的不足,并做了相关的改进。提出了改进的K-SVM是将底层特征映射到高层语义的是本文实现研究结果的关键。本文对此算法也设计了对比试验,实验结果证明本文的算法效果达到提取较高准确率的语义。