随着人工智能以及多媒体技术的快速发展，基于机器学习的自然图像识别方法在过去的几年中取得了很大进步。针对高级语义在人工智能识别领域的应用，本文重点讨论此背景下的机器学习的拓展与应用，以及属性学习这一高级语义特征应用于图像识别的理论与方法。通过深入研究现有的基于图像底层特征的传统图像识别理论方法，在基于属性学习的图像分类方法的基础上，提出了稀疏表示与属性学习相结合的图像分类方法，具体内容如下:　　1)基于属性学习的图像分类方法。有别于传统图像分类方法，首先引入“属性”这一高级语义特征，在统计学习的基础上，对特定图像对象进行“属性”归纳，建立属性类别关系分布概率;然后以提取到的图像属性为模版，对每一种属性的关联图像提取特征数据，并训练基于图像属性的属性分类器;最后通过属性分类器对图像属性进行识别，利用已得到的属性分布概率完成对图像类别的判别。　　2)基于稀疏表示与属性学习相结合的图像分类方法。该方法首先将数据集内图像特征进行稀疏表示;在稀疏表示过程中，通过应用K-SVD算法以及结合OMP算法来构建字典并获得稀疏系数，得到稀疏化后的特征数据;然后对已得到的稀疏特征进行训练得到基于图像属性的属性分类器;对测试图像进行属性识别，在获得属性概率分布的基础上，结合属性类别的对应关系，得到最终判定类别。　　3)基于稀疏表示与属性学习相结合的迁移学习算法框架。该算法建立在基于稀疏表示与属性学习相结合的图像分类算法在图像分类上已有了良好效果的基础上。首先根据底层特征和属性这一高级语义的内在关联关系，训练得到基于稀疏表示与属性学习相结合的属性分类器;然后引入迁移学习框架，构建基于稀疏表示与属性学习相结合的迁移学习算法框架。