| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 1 绪论 | 第10-15页 |
| ·课题的提出 | 第10-11页 |
| ·研究现状 | 第11-13页 |
| ·SVM 的研究进展 | 第11-12页 |
| ·图像挖掘研究进展 | 第12-13页 |
| ·研究意义 | 第13-14页 |
| ·研究内容与组织结构 | 第14-15页 |
| 2 支持向量机概述 | 第15-26页 |
| ·机器学习的基本问题 | 第15-18页 |
| ·经验风险最小化 | 第16页 |
| ·推广性和复杂性 | 第16-17页 |
| ·统计学习理论 | 第17-18页 |
| ·支持向量机的构造 | 第18-25页 |
| ·最优超平面 | 第18-19页 |
| ·广义最优超平面 | 第19-20页 |
| ·非线性支持向量机 | 第20页 |
| ·核函数 | 第20-22页 |
| ·多分类 SVM | 第22-25页 |
| ·本章小结 | 第25-26页 |
| 3 改进的二叉树多类 SVM 算法 | 第26-31页 |
| ·基于二叉树的多类 SVM 算法 | 第26-27页 |
| ·二叉树多类支持向量机改进 | 第27-29页 |
| ·常见二叉树改进方法 | 第27-28页 |
| ·本文提出的基于二叉树改进原理 | 第28-29页 |
| ·本章小结 | 第29-31页 |
| 4 基于二叉树多分类 SVM 的图像语义分类器设计 | 第31-37页 |
| ·图像语义概述 | 第31-33页 |
| ·图像的语义层次 | 第31-32页 |
| ·图像语义表示 | 第32页 |
| ·图像语义提取 | 第32-33页 |
| ·图像语义分类常用方法 | 第33-34页 |
| ·Adaboost 分类算法 | 第33-34页 |
| ·朴素贝叶斯分类算法 | 第34页 |
| ·基于支持向量机的图像语义分类训练及识别过程 | 第34-35页 |
| ·多分类图像语义分类器 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 5 仿真实验 | 第37-43页 |
| ·实验环境 | 第37页 |
| ·实验数据 | 第37-39页 |
| ·实验及结果分析 | 第39-42页 |
| ·几种核函数的选择比较实验 | 第39-41页 |
| ·支持向量机多分类方法比较实验 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 6 总结与展望 | 第43-44页 |
| 参考文献 | 第44-48页 |
| 附录 A：作者攻读硕士学位期间发表论文及科研情况 | 第48-49页 |
| 致谢 | 第49页 |