图像场景分类是图像分析和理解的基本问题之一。随着信息技术的发展，图像数据的总量达到迅猛增长，对这些海量图像数据进行快速、准确的分类，已经成为当前的重要任务之一。图像场景分类是根据一定的先验知识，对图像进行自动的标记为不同类别的过程，图像场景分类能为图像的后续处理提供语义基础，并已经成功的应用到很多领域。图像场景分类的方法多种多样，概率生成主题模型是目前研究的一个热点。概率生成主题模型的本质是用主题发生概率的向量来表示图像，其中主题是具有一定的语义信息的隐藏变量。主题模型首先用bag-of-words表示图像，然后对图像中的每一个视觉单词都分配一个主题，从而得到每一幅图像的主题发生频次向量，最后根据该主题向量来预测图像的类别。本文主要研究怎么决定图像中的视觉单词被分配的主题才能够取得较好分类的效果。本文基于隐狄利克雷模型、共享组件主题模型等现有的概率生成主题模型，针对这些模型在图像分类方面存在的问题，进行改进，并取得了一定的研究成果，主要工作如下：（1）介绍了共享组件主题模型，分析模型中主题的产生过程，发现不同主题是由相等先验概率采样产生的，但是分析实际图像可知，图像中每一个主题存在的概率是不相等的，因此本文提出了一种层次共享组件主题模型，通过引入一个层次狄利克雷过程，将主题发生的先验概率训练为一个与图像实际主题发生概率比较相近的向量，更好的描述了图像内容的多样化。（2）以层次共享组件主题模型为基础，进一步研究图像中主题产生的先验概率，发现不同类别的图像中主题存在的概率一般是不相等的，因此本文提出了一种标记层次共享组件主题模型，该模型是一种改进的有监督层次共享组件主题模型，模型增加了图像的类别标记信息，将图像的主题按图像类别估计其发生的先验概率，很好的描述了图像类别之间的差异性。（3）针对图像类别之间的差异性和一致性，本文提出判别式主题空间的概念，判别式主题空间包含许多子空间，即每一类图像特有的主题空间和所有类图像共有的主题空间，并提出了判别式的层次共享组件主题模型。该模型通过引入一个线性变换，将图像中单词分配的主题映射为另一个空间中的主题，最终得到一个更好更紧凑的图像主题向量表示。