由于人与计算机对图像相似性判别依据之间的不同,造成了人所理解的“语义相似”与计算机理解的“视觉相似”之间的“语义鸿沟”,那么如何让计算机从人脸图像中自动提取出与人所理解的相似语义成为了人脸检索、识别、验证等领域的难题及关注的焦点。本文基于公理模糊理论（Axiomatic Fuzzy Set,简称AFS）研究了人脸语义自动提取技术。首先,应用人脸关键点检测器检测人脸面部关键点,并基于人脸关键点定义人脸特征;然后,基于AFS特征选择方法选择能够刻画人脸的显著特征,并在显著特征上定义简单概念。其次,应用聚类的方法提取出具有显著性特征的人脸语义描述。最终,将本文提出的方法在人脸图像库上进行了验证。实验结果表明,AFS特征选择算法能够选择出更显著的人脸特征,从而获得优于mRMR特征选择算法的聚类准确率。此外,与k-means、FCM和MinMax k-means相比,AFS聚类算法的聚类准确率最高,验证了本文所提出的语义自动提取方法的有效性。更重要地,本文提取的语义描述与体质人类学定义的语义特征相似,说明本文提出的语义提取方法更接近于人类感知的结果。信息粒度被视为是有效的数据描述器,它能够刻画数据的主要结构,以及数据间的基本关系,在数据发现、量化和表征方面占有重要地位。因此,本文进一步将信息粒度与AFS理论相结合,提出了一种新的人脸语义刻画方法。该算法首先提取出人脸主要成分的语义描述,并构建类中心,再围绕类中心构造信息粒度,从而获得信息粒度描述。将AFS语义描述与粒度描述相结合,从而优化了人脸主要成分的语义特征。将该算法在Multi-PIE和BU-4DFE人脸数据库上进行验证,实验结果表明,与FCM和FCMGD相比,该算法提取的语义描述更准确,可解释性更强,更接近于人类感知的结果。