近年来,随着信息技术和成像技术的快速发展,数字图像的数量正以惊人的速度增长,人们对信息的需求逐渐从文字转变成图像。对于用户而言,从数量庞大的图像库中快速找出感兴趣的图像非常困难。因此,图像推荐成为当前多媒体领域中一个热门的研究方向。本文着重研究如何建立有效的学习模型来解决海量图像的个性化推荐问题。现存的图像个性化推荐方法主要基于文本的图像推荐方法和基于内容的图像推荐方法两类。本文综合了上述两种方法的优点,提出一种基于图像个性化语义分析推荐算法,该算法通过对用户的历史图像进行个性化分析,获取图像文本和内容两方面的信息构建用户个性化检索模式,再从海量图像库中检索出符合用户需求的图像并予以推荐。首先,充分利用社群图像网站的便利性和数据海量性,构建一个小型图像库SPRI,其中包括训练数据集和测试数据集。训练数据集中包含40个用户,每个用户包含多个场景,共2000幅图像；测试数据集中包括240幅全景图。其次,利用多示例学习算法将图像的标签传播到区域,结合图像区域级标签完成图像分类。最后,构建基于隐支持向量机(LSVM)的预测模型,从分类相同的全景图中检索出与单独的用户级别数据集中最相关的图像区域块,作为结果推荐给用户。该模型涉及到提取全局特征的最优方法。为了验证本文所提出的图像个性化语义分析推荐算法的有效性,本文在SPRI数据集上进行了大量的实验。实验表明,该方法具有良好的效果。