情感计算是一种通过赋予计算机更高的、更全面的、更智能的能力来构建人机和谐环境的计算机技术。计算机要想与人能够进行更好的情感交互,必须拥有一套完整的计算机视觉系统。而图像作为视觉感知的重要表现形式,图像情感计算亦成为情感计算的重要组成部分。图像情感分类作为一种高层语义分类,其始于基于内容的图像检索研究。早期的图像研究只是依据图像的低层视觉特征来构建特征向量索引,从而提高图像的检索效率和准确度。但是这种检索技术因仅仅考虑到图像的低层次视觉特征,忽略了情感要素,忽略了低层特征和高层语义间的“语义鸿沟”,使得检索的效果并不理想。因此如何有效弥补这层“语义鸿沟”,建立合理的情感映射机制,是实现图像情感分类的关键。本文在阅读大量文献资料的基础上,在基于微博或微信朋友圈的大背景下,提出了一种新的情感映射机制,并对图像特征提取技术和图像分类算法进行了深入研究。首先通过比较不同的图像特征会对人类的情感产生怎样的影响,并结合心理学、认知学相关理论,从图像中选择出最能反映情感元素的特征,并以此构建特征向量空间。其次通过对文本情感分析技术的深入研究,提出了一种改进的贝叶斯增量学习算法—在增量学习的样本序列选择上,通过引入配对样本检验和类支持度的知识,分别从横向和纵向角度充分利用先验知识来选取最优增量子集来优化分类器。该算法能够很好地解决训练集规模小、无法充分利用先验知识和噪声数据不断传播等问题,提高了文本情感分类的精确度。最后通过从文本中提取的情感元素作为图像的情感标签,建立了图像低层视觉特征到情感空间的映射关系,并采用概率神经网络建立起图像情感分类模型。本文最主要的工作是构建一个合理的情感映射机制,而该机制的建立基于如下事实:在微博或微信朋友圈中,文字和图片总能表达用户在当时的同一种心情,因此将情感要素从复杂的图像中抽取巧妙地转成从文字中提炼,这样不但降低了提取的难度,还能借鉴已有的文本情感分析技术。