图像场景分类是图像识别、图片搜索等领域的关键技术,广泛应用在地图导航、自动驾驶等现实问题中,是计算机视觉领域的一个重要研究方向。在当前大数据时代背景下,图像场景分类任务日益复杂,且面临数据分布多变和标注样本不足等挑战。半监督聚类能够在少量有标签数据的指导下有效发现数据的自然分布结构,因此结合半监督聚类来提升复杂场景分类的性能已经成为近年来的研究热点。在查阅大量国内外文献的基础上,本文首先介绍图像场景分类的研究背景、意义及现状,然后针对图像场景的复杂性、多变性以及训练数据不足等问题,提出基于最小原型簇的半监督聚类算法,并进一步将该半监督聚类算法与图像场景分类方法相结合以改善分类性能。本文的主要研究内容如下:（1）基于最小原型簇的图像场景半监督聚类方法。由于图像场景的复杂性以及分类和聚类存在差异性,半监督聚类在利用有类别标签的样本时可能难以得到理想的簇划分。本文提出一种基于最小原型簇的场景图像半监督聚类方法,利用有标签样本来衡量簇的紧密性并指导簇的分裂,直到每个簇都足够紧密且簇中所有样本都属于同一类别,即得到最小原型簇。相应地,提出一个新的半监督聚类目标函数,将簇的紧凑程度引入原聚类损失函数。该方法极大地改善了原半监督聚类的性能。而且,该方法适用于绝大部分聚类算法,尤其适用于基于数据划分的聚类算法,因此进一步提出基于最小原型簇的半监督K-means方法。（2）结合半监督聚类的图像场景分类方法。针对图像场景分类中图像场景多变、训练样本匮乏、数据样本不平衡以及单一分类器泛化能力差的问题,本文提出一种结合半监督聚类的图像场景分类方法。该方法利用基于最小原型簇的半监督K-means方法筛选出近似服从真实分布的伪标签数据,用来补充训练数据集,以改善训练样本匮乏的问题,同时控制图像场景多变性带来的风险;然后,使用过采样方法再次补充训练集,用于改善不平衡数据集中少数类准确率较低的问题;接着,在新的训练数据集上训练分类器;最后,将半监督聚类方法和分类方法的预测结果相结合,改善了单一分类器泛化能力差的问题,进一步提高了图像场景分类的准确率。（3）设计实现图像场景分类原型系统。本原型系统在Visual Studio 2015上设计与实现。系统被分为图像预处理、模型训练、图像场景分类三个模块。本原型系统有着简洁的界面设计、方便快捷的操作流程,验证了本文方法的可行性和设计的原型系统的可用性。