随着互联网图像的海量增长以及人机交互系统的快速发展,如何对图像进行有效的组织分类,使人们在浩如烟海的图像资源中找到想要的图像,越来越引起人们的注意。近年来,图像情感语义分类成为计算机视觉领域一个活跃的研究课题。作为一种高层语义分类,它对计算机正确解释感知图像内容,实现对图像的有效组织、分类和管理都有重要的指导意义。如何有效地弥补图像低层视觉特征与高层语义特征之间的“语义鸿沟”,并建立符合人类感知的情感映射机制,成为实现图像情感分类的关键。本文结合视觉认知理论、心理学、模式识别等领域的知识,对图像的情感分类问题进行了研究。基于视觉词包(Bag-of-words)模型,本文提出了一种显著区域加权的情感分类算法。该算法首先采用CSIFT (Colored scale invariant feature transform)特征生成情感视觉单词。同以往SIFT特征生成的视觉单词相比,CSIFT加入了对情感具有较强语义区分度的颜色信息。然后通过提取图像的显著图信息确定不同情感视觉单词的显著度,进而赋予情感视觉单词不同的权值。该方法可以增强影响人类情感较大的视觉单词的权重,生成符合人类感知的加权情感视觉向量。同时,考虑到图像的颜色是最具情感语义区分度的特征,本文提取了基于全局的HSV颜色直方图信息,并与已生成的加权情感视觉向量相融合,形成多特征的图像语义表达方式。最后采用支持向量机分类器完成图像8类情感的分类。实验表明,同现有的算法相比,本文提出的情感分类算法具有更高的正确率。