随着网络的普及和发展以及手机拍照技术的成熟,数字图像深入融入到人们的日常生活当中,对这些大量的数字图像做快速、准确的分类是图像处理领域的一个重要课题,而基于语义的词袋模型更是数字图像分类研究的一个重要方向,因其在按内容为基础的图像分类中取得较好的分类效果,而受到广泛的关注与应用。其在信息安全领域的应用尤其广泛,其中包括如何识别敏感、违法的图像,如何防范青少年对不良信息的浏览等等。本文对词袋模型在图像分类上的应用做了深入研究,发现传统的经过SIFT特征提取,运用K-means均值聚类形成词典,再运用直方图形成词袋,最后运用无监督分类的方法,在处理大量图像分类情况时存在分类准确率不理想的情况,为了提高图像分类的准确率,本论文主要做了以下三方面工作:(1)词袋是一种属于高维度的特征向量,其图像分类结果的好坏与分类器的性能有很大的关系,不同的分类器适用于不同的特征向量,本文基于视觉词袋对KNN分类算法、深度学习神经网络、支持向量机SVM做了研究和实验,并经过深入分析对于词袋这种高维向量的分类,只需要少量样本即可确定分类超平面的支持向量机的分类效果优于KNN分类法和深度学习神经网络。(2)SIFT特征提取是在图像局部空间寻找极值点,具有缩放、旋转不变性,能很好的适应视角、光线、色彩变化,是一种局部特征描述,其特征提取的效果好坏直接关系到词袋的区分能力,本文采用重叠SIFT特征提取图像信息,能够提取更多的图像特征,能够更全面的提取图像底层信息,所形成的词袋能更好的代表图像语义,取得了较好的效果。(3)词袋作为视觉词汇,对图像分类有着重要的作用,为了进一步提高图像分类效果,将直方图相似性度量引入词袋中,形成直方图交叉核,通过词袋与其自身交叉核运算,提高了不同类型图像所产生的词袋的区分度,运用SVM分类方法,做了实验,实验表明直方图交叉核词袋对图像的语义表达要优于普通词袋,进一步提高了图像的分类效果。在Caltech256标准图像分类数据的基础上做了实验,实验结果表明,本论文所提出的三种改进算法能有效的提升图像分类的准确率。