محیط، دیدی از دنیای واقعی شامل چندین شی و سطح است که به صورت معنی داری در کنار هم قرار گرفته اند. هدف سیستم شناسایی محیط، درک نوع محیط نشان داده شده در تصویر و سپس اختصاص برچسب معنایی مناسب به آن است. ایجاد چنین سیستمی یکی از مهم ترین مسائل در حوزه ی بینایی ماشین و رباتیک است و کاربردهای فراوانی در شناسایی اشیا، بازیابی معنایی تصویر و ویدئو، تشخیص حرکت، مکان یابی و هدایت ربات دارد. محیط را می توان به دو دسته ی داخلی و خارجی تقسیم کرد. محیط های داخلی شامل محیط های سرپوشیده مانند آشپزخانه، بیمارستان و یا حتی فضای درون خودرو می باشد و محیط خارجی شامل فضاهای باز مانند خیابان، ساحل، کوه است. تاکنون راه حل های زیادی برای شناسایی محیط ارائه شده است. بسیاری از این راه حل ها بر روی مجموعه تصاویر محیط های خارجی به خوبی کار می کنند، اما برای تصاویر محیط های داخلی، به علت پیچیدگی زیاد، تنوع درون کلاسی و شباهت بین کلاس ها، عملکرد ضعیفی از خود نشان می دهند. بنابراین تلاش برای ایجاد سیستمی که عملکرد رضایت بخشی در شناسایی تصاویر محیط داخلی داشته باشد، ضروری به نظر می رسد. در این پایان نامه، سیستمی برای شناسایی تصاویر محیط داخلی طراحی شده است. مراحل کلی این الگوریتم شامل دو گام اساسی استخراج اطلاعات تصاویر و مدل سازی محیط با استفاده از این اطلاعات است. در این پایان نامه، برای استخراج ویژگی های محلی تصویر از مجموعه ی توصیف گرهای sift، hog و lbp استفاده شده است. برای استخراج روابط واطلاعات فضایی موجود در تصاویر از محاسبه هم رخدادی نواحی مختلف تصویر در چندین جهت استفاده شده است. سپس از این اطلاعات برای بخش بندی معنایی تصویر و برچسب گذاری نواحی محلی توسط الگوریتم کمینه سازی انرژی مبتنی بر برش گراف استفاده می شود. برای بررسی کارایی روش پیشنهادی، از مجموعه داده های شامل تصاویر 8 دسته محیط داخلی، 8 دسته محیط خارجی و 15 دسته محیط داخلی و خارجی استفاده شده است. این روش نسبت به تغییرات مقیاس، انتقال، دوران، روشنایی، زاویه ی دید و هم پوشانی و درهم ریختگی موجود در تصاویر مقاوم می باشد. از دیگر ویژگی های مهم روش پیشنهادی قابلیت تعمیم بالا به تصاویر آزمایشی ست. نتایج به دست آمده از آزمایش ها نیز گویای این مطلب است.