随着电子计算机和互联网的广泛普及,人们越来越多的接触和使用自然图像,自然图像数目增长的速度之快使人们几乎没有时间完成对自然图像的分析和整理,然而当前图像分类的工作还主要集中于医学、遥感等专业图像领域,研究自然图像分类方法的文献相对较少,传统的单任务学习机制都存在泛化能力不强的问题。本文旨在使用数据挖掘与模式识别领域的相关方法,研究自然图像的分类问题,试图利用多任务学习的机制来提高分类器的泛化性能,遵循这一目标,本文主要做了以下几方面的工作：1.分析了自然图像的特点和自然图像分类的现状,试图通过图像分类技术来填补底层视觉特征与高层语义之间的“语义鸿沟”,进而达到实现高效检索的目的；2.研究了自然图像底层视觉特征提取的各种方法,提取了图像的空间颜色直方图、颜色矩、颜色聚合向量等颜色特征,Tamura纹理、灰度共生矩阵、Gabor滤波等纹理特征,通过比较提出了使用区域加权的空间颜色直方图和Gabor纹理特征组合而成的112维的综合特征来表达自然图像的底层视觉特征的方法,通过在平行坐标中将高维的底层视觉特征数据可视化显示,直观地显示了各类图像的可区分性；3.研究了模式识别中几种常见的数据分类方法,SVM(支持向量机)、神经网络、贝叶斯分类器、k-最近邻分类器,分析了它们在自然图像分类中的可适用性；4.提出了使用样本特征向量之间的线性相关性来度量任务间相关性大小的度量方法,按照任务间相关性的大小对分类任务进行了任务聚类,并采用多任务学习机制实现了自然图像分类,提高了分类器的泛化性能。实验证明了该方法的有效性。