传统空间金字塔词袋模型未充分利用视觉字典结构信息,导致用于特征编码的视觉字典缺乏显著性和判别力,在特征编码时不同局部特征由相同近邻单词表示,生成完全相同的编码系数向量,产生较大量化误差;在提取特征时,将图像目标区域和背景视为同等重要,导致图像背景信息干扰,同时未充分考虑图像的RGB三通道分量和细节信息,导致图像信息缺失,该模型图像分类性能有待提升。本文从视觉字典编码和提取图像特征方面进行改进,提出基于显著视觉字典编码的多特征图像分类方法。本文的主要研究如下:针对空间金字塔词袋模型未充分利用视觉字典结构信息,本文提出生成显著视觉字典方法,在K-means聚类生成视觉字典后,计算单词的相似性和显著性,生成有判别力的视觉字典;针对特征编码时不同局部特征生成完全相同的编码系数向量问题,提出加权局部约束线性编码方法,根据特征与近邻单词之间的位置关系为近邻单词设置权重,生成更加精准的编码系数向量;上述方法结合提出基于显著视觉字典编码方法,一方面充分利用字典显著信息,另一方面减小量化误差,提升模型的图像分类性能。针对提取特征时存在图像背景信息干扰,本文提出图像显著区域特征,首先采用FT显著性检测方法提取图像显著区域,然后利用Gabor滤波提取显著区域纹理特征,生成显著区域特征;针对特征提取时未考虑图像的RGB三通道分量和细节信息,本文提出RGB三通道特征,首先将图像分解为R、G、B三个通道,然后分别对三个通道图像进行字典学习和特征编码,最后将编码后的向量表示进行融合生成最终的RGB三通道特征。将显著视觉字典编码生成的直方图特征与显著区域特征、RGB三通道特征进行融合,得到本文基于显著视觉字典编码的多特征图像分类方法。本文在MSRC、Caltech101、15Scene数据集上展开实验,实验结果显示了本文提出的生成显著视觉字典、加权局部约束线性编码、显著区域特征、RGB三通道特征对分类准确率的改进情况,表明了本文对视觉字典编码与图像特征提取方面的优化是可行的。