随着移动互联网的快速发展,数字图像数量呈现激增的趋势,面对海量的图像数据,如何提取这些图像数据中有效的信息,并对其统一管理成为当前计算机视觉领域中的研究热点之一。因此,采用图像分类的技术可以协助用户快速完成图像的分析与管理,极大提升工作效率。在图像分类中,词袋模型被广泛应用。本文通过对图像分类中的词袋模型进行深入的研究,针对该模型中存在特征编码误差较大以及不能准确理解图像内容等问题提出改进方法,进一步提高图像分类的准确率。本文在特征编码和特征表达上提出改进办法,主要研究工作如下:(1)为了使得在特征编码后能够准确表达图像内容,减少图像信息的丢失,从而提高图像分类的准确率。本文在快速低秩编码的图像分类算法的基础上提出一种强化局部约束条件的编码方式。在编码的过程中,首先对图像中的特征进行聚类,得到局部相似特征集合及其对应的聚类中心。然后在视觉字典中采用最近邻策略查找聚类中心对应的K个近邻视觉单词,并将其组成对应的视觉字典。最后,使用快速低秩编码算法对特征进行编码,使得局部相似特征根具有相似的编码,减小特征的重建误差,准确表达图像内容。(2)使用词袋模型对图像进行分类时,由于图像的背景信息复杂,对特征提取造成一定的干扰,使得提取图像中具有判别性的特征比较困难,导致不能够完整表达图像内容。针对该问题本文采用多特征提取的方式来描述图像,避免单一特征对图像描述的局限性。同时为了获得更好的特征表达,使得特征之间能够有效的融合,结合用多核学习算法得到不同特征对应的核函数的权重参数,然后将不同的核函数进行线性组合得到最终的组合核函数,使多个特征能够更好的结合,增强图像表达,从而提升图像分类的准确率。本文在场景和物体图像数据库上进行多组实验,结果表明:改进的算法有助于增强图像特征的表达信息的判别性和完整性,进一步提高图像分类的准确率。