[摘 要]“语义鸿沟”是实现真正意义上的图像语义检索的最大障碍，图像语义分类是图像语义数据挖掘的关键技术，因此，图像语义分类成为图像检索研究领域中的一个重要的研究方向。现在有许多采用支持向量机对图像进行分类的研究，而SVM方法是基于核的学习方法，如何选取最有的核函数的是分类性能最有是本文的研究重点。
　　[关键词]图像语义，支持向量机，核参数
　　1 引言
　　人们在查询图像时往往是基于语义的，而并不是依照图像特征的。这就使得在查询时不能准确地定位图片特征。这种差异性被称为“语义鸿沟”，它是图像实现真正意义上的语义检索的最大障碍。
　　支持向量机是Vladimir N.Vapnik等提出的一种新的机器学习方法。该方法是一种基于统计学习理论的模式识别方法，其目的是为了取得最好的推广能力。它成为目前国际、国内研究的热点,并被广泛应用于手写识别、三维目标识别、人脸识别、文本、图像分类等实际问题中。而核函数的选择决定了SVM分类性能优劣的关键。
　　2 支持向量机的构造
　　2.1 最优超平面
　　最优分类超平面就是将两类正确分开且使分类间隔最大，也就说要满足训练错误率为O的同时使得分类间隔最大。其分类超平面的方程为：