随着互联网应用的普及发展,网络上的图像信息正以指数级的速率增长。因此对海量图像进行有效的管理和检索有着非常重要的现实意义。这些互联网图像一般都有一些描述其语境的伴随文本,因此从图像伴随文本中选择合适的名词-动词去描述图像中的人物和动作成为当前热点研究问题。现有方法通常用图像中人物的外观特征学习得到表示人物和名词或者动作和动词之间概率的生成模型,然后使用这一得到的生成模型对训练集以外图像中人物运动进行识别。但是,这些方法都是单独的关注于对象或者动作的标注,没有考虑对象和动作之间存在的联系。本文提出了基于对象-动作联合建模的方法,用人脸提取的九个不同位置SIFT特征作为人物外观特征,用基于pictorial structure的人体部位概率分布作为动作的姿势特征,联合建立识别模型,实验表明通过联合建模的方法相比单独建模可以有效提高准确率。同时,在动作的识别上,当前的方法忽略了图像中高维特征之间固有存在的组效应,即同构特征之间存在较强关联性而异构特征之间关联性较弱。实际上,不同类型异构特征在图像语义理解过程中具有不同区别性,例如手臂特征对人挥手这一动作最具有区别性。本文提出了通过Group Lasso从高维异构姿势特征中选择最具区别性特征,最终学习得到生成模型的方法以识别图像中人物运动进而对其进行标注。实验结果表明,本文提出的方法对姿态变化较大动作进行识别时取得了更好结果。