در سال های گذشته تحقیقات وسیعی در زمینه دسته بندی بصری اشیاء صورت گرفته است و تلاش های فراوانی جهت رفع مشکلات و چالش های مطرح در این شاخه انجام پذیرفته است . هدف از فرآیند دسته بندی بصری ، تشخیص اشیاء مربوط به دسته های مشخص شده ای درون یک تصویر دلخواه است . عمده ترین چالش های موجود در این مسئله ، وجود تنوع بسیار زیاد در تصاویر مربوط به یک دسته واحد است . بیشتر روش های قدیمی دسته بندی بصری اشیاء مبتنی بر ویژگی های بصری تصاویر ، نظیر رنگ ، پاسخ لبه ، شدت نور و ... هستند ، اما استفاده از ویژگی های بصری تصویر به تنهایی در بسیاری از موارد کافی نیست . روش های جدید دسته بندی بصری اشیاء برای افزایش دقت و رفع ابهام در فرآیند دسته بندی از اطلاعات موجود در متن تصویر و روابط معنایی بین اشیاء کمک می گیرند . در این پژوهش برای ارائه یک ساختار یکپارچه به منظور به کارگیری اطلاعات استخراج شده از روابط معنایی بین اشیاء ، تابع کرنلی بر پایه معیار فاصله معنایی طراحی کرده ایم . این معیار فاصله معنایی برای اولین بار جهت استفاده در فرآیند بازیابی اطلاعات متنی معرفی شده است . تابع کرنل ارائه شده از دو بخش بصری و معنایی تشکیل شده است . بخش بصری ، فاصله بصری بین دو تصویر را با استفاده از معیار های فاصله متدوال محاسبه می کند و در بخش معنایی ، فاصله معنایی بین تصویر دو شیء بر اساس مجموعه اشیاء رویت شده در کنار هر شیء با به کار گیری معیار فاصله معنایی به دست می آید .