在当今社会,图像作为信息的载体,由于其蕴含的信息量大,而且表现形式直观化,越来越受到人们的重视,图像检索技术得到国内外学者的重视,成为一个研究热点。图像检索技术从上世纪的70年代的基于文本的图像检索技术开始发展,经历了基于内容的图像检索技术,发展到现在的基于语义的图像检索。基于语义的图像检索技术可以弥补前两种检索技术的缺陷,其根据图像的底层特征等将图像与语义建立起联系,根据需求在语义空间检索相应语义,进而找出所需要的图像。在基于语义的图像检索技术中,与前两种技术明显不同之处就在于,对图像进行图像语义标注,之后根据语义进行检索,因而在该技术中,图像语义标注就成为一个重要的环节,语义标注的准确性影响着最后检索的效果。语义进行标注的一般途径是,通过图像的底层特征直接映射到语义,在进行语义提取,对图像进行语义标注时,会遇到语义鸿沟的问题,如何解决该问题是当前学者研究的热点。现在学者一般在使用上述方法进行图像语义标注时通常会考虑机器学习的思想,使用一个已标注的图像集,训练出可以自动对图像语义进行标注的模型,通过该模型对未标注的图像进行语义标注。在该思想中,支持向量机由于其解决小样本时候的优势脱颖而出,本文在研究了支持向量机理论,对其延伸模糊支持向量机进行了改进。在模糊支持向量机理论中,模糊隶属度函数是一个重要的参数,其是某个样本点属于某中分类的概率函数,在对比常用的模糊隶属度函数后,提出一种考虑了样本点周围样本分布情况的紧密型模糊隶属度函数。常用的模糊隶属度函数一般只考虑了样本点到类中心的相对距离,没有考虑样本点周围样本的分布情况,有一定的局限性,而这种紧密型模糊隶属度函数考虑了样本点周围样本的分布,可以更加准确的反映其属于某种分类的概率。将该函数引入模糊支持向量机中,其效果比一般的模糊支持向量机效果更优,对图像标注的精度更佳。