随着互联网和多媒体技术的快速发展，可以预见在未来，图像等多媒体数据将继续爆炸性增长。迄今为止，现代化的信息采集手段已不再局限于用精炼的文本或者属性关键词来概括目标事物的特性，更有可能通过图像等多媒体手段对其进行原始而直观的描述，从而减少信息的损失。因此，面对海量的图像等媒体内容，如何有效地进行智能化管理变得尤为重要，也成为当今一个重要的研究内容。　　图像自动语义标注方法是图像智能化管理的一个重要体现，它试图在图像的高层语义信息和低层特征之间建立一种映射关系，于是缓解了“语义鸿沟”的问题，进而可以把图像检索问题转化为成熟的文本检索问题。传统的标注方法考虑了如何建立图像低层视觉特征与高层语义概念之间的映射，在语义关联方面还存在诸多未得到很好解决的问题。很多方法仅在平衡的语义概念小字典上完成，然而这种约束未必能够在真实数据集上得到满足。为了克服这个局限性，文中设计了一个基于隐马尔可夫模型的图像自动标注方法IAMM，该方法把图像标注过程看作是检索有相互关联的隐藏语义概念序列的过程，通过同时考虑视觉内容和语义关联来检索出未标注图像的合理隐藏语义概念序列。在IAMM方法里，全部隐藏语义概念可以构成一条一阶马尔可夫链，两个隐藏语义概念之间的边权重代表它们的语义关联性。考虑到图像语义概念分布的不平衡特性，在计算发射概率和转移概率两个子过程中，语义概念的权重基于训练数据分别通过梯度下降方法和迭代方法获得。实验结果表明该隐藏语义序列较好反映了图像的内容。　　一些图像标注方法考虑利用语义关联来提高图像语义标注的效果，其抽取的语义或者是基于本地图像数据集的局部语义，或者是基于互联网海量数据集的全局语义。但是，在真实数据环境下，语义概念的分布通常是不均衡的，存在大量的稀疏语义概念，这导致抽取的局部语义存在“失真”现象。而对于全局语义，其抽取语义的数据集通常是独立于本地图像集的外来异质数据集，所以该全局语义并未完全反映本地图像库的语义特性。为了合理地抽取语义，文中构造了一种基于局部语义 与全局语义联合学习的概念依赖网络CIN，该网络既反映了通用的语义依赖，又反映了本地图像的语义特性。对一个语义概念而言，当来自于CIN的强依赖概念集以较强的视觉证据出现于未标注图像中时，图像标注方法考虑提高该语义概念的预测概率。　　体现图像数据智能化管理的另一项技术是图像的语义检索，它包含了人们对图像内容的理解，让计算机按照人们的主观意识与理解来检索图像，从而可以最大程度地满足用户的检索需求。传统的研究工作主要关注单概念图像检索方法，这部分限定了其实际可用性。为了执行多概念图像检索，传统方法使用单概念检测器来执行多概念检索，但是，语义多概念检索项所构成的视觉场景具有独有的视觉特性，仅使用传统的单概念检测器往往不大奏效，MCRM方法考虑构建并使用多概念检测器，它把一个语义多概念当做一个有语境的整体，而直接从重新整理的多概念训练集中学习出来。同时，传统的单概念检测器可以较好地检测单个语义概念，MCRM方法考虑了这两者的概率结合以提高多概念图像检索的效果。为了衡量两个语义场景多概念间的语义依赖，MCRM检索方法提出了三种估算语义依赖概率的方法，而一个语义多概念是否存在于图像中的视觉证据被贝叶斯规则转换后交由支持向量机去概率估算。　　在Web 2.0/3.0时代下，Web图像数据往往伴随着相关联的社会化文本标签数据，图像与文本双模态数据可以提供互补的信息，因此文中提出了一个用于多概念图像检索任务的图像与文本双模态关联学习方法（BLMQ），该方法对于视觉模态、语义依赖以及文本模态三者建立了关联，因此，获得了更好的双模态多概念图像检索效果。此外，对于传统的单模态多概念图像检索任务，为了解决带语义标注训练图像不充足的问题，考虑把互联网上未标注的双模态Web图像数据利用起来，以提高小训练样本情况下的多概念图像检索效果，于是提出了一个基于半监督式学习的BLMQ方法，它首先依据已标注小样本双模态图像训练出双模态分类器，然后应用该分类器去标注Web样本，最后基于所有样本训练出单模态分类器。实验结果表明，基于BLMQ的多概念图像检索方法在上述两种场景下均取得了较好的效果。