我们生活在一个由具有不同尺度的目标所组成的世界中。这些尺度的不同由物体本身的属性，实体之间的层次关系，以及人眼接收信息时存在的透视投影等原因所构成。在计算机视觉领域中，我们接收到的信息也分布于一定范围内的尺度当中。当我们在接收这些信息，并要把这些信息理解为有意义的内容时，我们就要在不同的尺度范围内进行研究，把其不同尺度的具体信息和不同尺度下的高层抽象概念相对应，进而进行接下来的其他诸如图像识别、场景分类、图像处理等诸多计算机视觉任务。图像的尺度问题分析已经成为研究工作中不可回避的问题，本文系统的分析了图像尺度问题中的现状，以全局尺度选择为目的，分别从图像的连续性，图像特征的重复性，全局范围内场景图像的尺度分析，以及视觉显著度理论这几个个角度出发，认为图像在全局范围内存在某些约束下的最优尺度，同时提出了全局范围内的全局最优尺度理论，并对其进行了论证和阐述。尺度选取和特征选择的工作是密不可分的，尺度选择工作必须融合进特征选择工作中才具有视觉理解的意义。然而尺度选择在特征提取方面的主要应用为在多尺度下的兴趣点检测，却在另一种，在计算机视觉中愈发重要的特征密集采样中被忽略。同时密集采样具有信息量大的特点，将图像在某一固定尺度下进行采样，可以看作是图像在全局范围内的尺度。本文将由不同尺度的目标组成全局的图像看作是不同子空间组成的混合数据，将求解每个具有最佳尺度的目标的问题转化成子空间分割问题。利用低秩表达具有非常强的鲁棒性，同时不受由于采取同一采样尺度而带来的数据损坏的影响的特点，选取了低秩表达作为子空间分割方法，为尺度问题加入全局约束，有效地增强局部空间的一致性。同时采用增广拉格朗日乘子法求解该低秩问题，对优化问题进行了快速的求解。本文将提出的基于低秩表达的图像全局尺度选取方法应用在场景图像分类和服装图像分类中，在分类应用中取得了显著的效果。本文创新性的提出了基于全局范围的图像尺度理论；弥补了尺度选择在特征提取中密集采样方法中的空缺，提出并公式化了密集采样中尺度选择的问题；将全局最优尺度问题转换成特征子空间分割问题；提升了特征表达，尤其是图像分类的性能；从理论上和实验上讨论了全局尺度的存在性和合理性。