中文摘要：

在图像理解的实际应用中，人工标注数据的代价总是很大，而收集大量未标注数据则较为容易。因此，作为利用未标注数据进行学习的经典方法，基于图的半监督学习对图像理解中的问题解决有着重要的意义，即它能够有效地利用大量未标注数据改善图像理解的效果，从而减少对人工标注的依赖。虽然相关的研究工作已经取得不错的结果，但是仍然存在如下关键问题急需解决如何根据具体的应用构建图；如何处理数据标注中的噪声；如何有效利用其它形式的监督信息（如成对约束）。本项目拟研究建立基于L1范数的拉普拉斯正则化方法来解决图构建和去噪这两个关键问题，同时研究将约束传递分解为一系列半监督学习子问题以便更好地利用约束信息，并研究将这些新方法应用于图像分类与标注、图像语义分析与表示等较难的图像理解问题。本项目有望在基础理论和关键技术方面取得较大的进展，并推动机器学习、模式识别、图像处理、计算机视觉等相关领域的发展。