场景理解是机器学习、模式识别等学科非常活跃的研究方向。图像分类和图像语义分割是场景理解的两个重要研究内容,虽然随着机器学习方法的不断发展已取得突破性的进展,但依然存在一些亟需解决的问题。本文以图像分类为主要研究对象、机器学习方法为主要研究手段,重点针对经典机器学习方法下图像分类任务中的低分类率图像类别的识别问题、视觉字典的学习耗时问题和场景理解的多任务集成模型设计问题,以及深度学习模式下图像分类网络模型的空间复杂度和网络稳定性问题展开方法研究。论文的主要创新点总结如下:1.针对图像分类任务中普遍存在的低分类率图像类别识别问题,提出一种基于主节点分析的图像分类方法,实现对图像特征表达模型的优化。该方法通过对图像特征进行聚类筛选,大幅度减少视觉单词间的同义问题,有效改善因图像类别分布不平衡、图像类内差异和类间模糊等因素导致的部分图像类别分类率偏低问题。2.针对图像分类任务中视觉字典学习效率问题,本章提出一种基于快速字典学习策略的图像分类方法。该方法对图像分类模型的视觉字典生成模块进行优化,采用并行计算模式引入相似度函数对特征描述符集合进行稀疏采样,通过基于非负矩阵分解的聚类算法实现视觉字典的快速学习。该方法在大幅度减少视觉字典学习时间、显著提高字典学习效率的同时,能够有效提升图像分类的识别率。3.针对基于深度学习的图像分类网络模型设计问题,分别提出基于并行核主成分分析网络的图像分类算法和基于注意力金字塔残差网络的图像分类方法。前者针对网络模型的空间复杂度问题进行研究,通过搭建并行核主成分分析网络,在解决经典卷积神经网络空间复杂度过高问题的同时,有效提高图像分类的识别率;后者对经典残差网络进行改进,将注意力机制和空间金字塔模型引入残差模块,有效提升深度学习网络的稳定性。图像分类公共数据集和作者工作单位自建数据集上的实验结果验证了两个网络模型的有效性。4.针对图像场景理解中多任务集成设计问题,提出了一种基于双通道多特征分析的场景理解模型。该模型通过充分挖掘彩色图像及其对应的灰度图像中蕴含的多种信息,建立彩色通道模型和灰度通道模型,综合前景和背景中的语义信息提取多源特征,并采用压缩感知方法对多源融合特征进行特征降维,实现图像分类和图像分割双重任务。论文中的方法已在图像分类和图像语义分割相关数据集以及自建图像数据集上完成仿真实验。实验结果表明,本文方法能够有效提升图像分类和图像分割等场景理解子任务的性能。