本论文主要研究基于中层特征的图像分类。相比于传统的图像底层特征，中层特征语义信息更丰富、稳定性更好、判别能力更强，因而更适应于现代多媒体技术的发展。FV(Fisher Vector)中层特征由于其分类能力强，对分类器不敏感等优点获得了广泛的关注。　　本文首先针对FV特征计算量大的缺点，使用稀疏FV进行了加速。本文提出了快速稀疏FV和自适应稀疏FV，能适应不同场景下的图像分类需求。在通过实验验证稀疏FV的同时，从理论上分析稀疏FV提升计算效率的原因，为进一步改进稀疏FV打下基础。　　其次本文提出利用图像前景先验分布来抑制图像中背景成分，提高分类精度的算法。首先使用objectness算法得到可能包含前景的窗口，再使用贝叶斯概率模型求出图像前景的概率分布，通过对各特征的加权增强前景特征在图像表达中的作用。实验证明前景先验分布提高了分类效果，并能与各种中层特征算法相结合。　　最后本文针对传统图像分类算法无法识别未训练类别的不足，使用属性特征实现了图像分类在未知事物上的迁移学习。在DAP模型的基础上，建立各属性之间的树结构PCT模型，进一步利用属性间的相关性以进一步提高分类效果。