随着计算机与互联网技术的快速发展,我们已经进入了一个以图像构建的世界。然而爆炸式增长的图像数据却使人们进入了“信息发达、知识匮乏”的怪圈,一方面,人们面临的是海量的图像信息,另一方面,却找不到自己所需要的数据。这种尴尬的局面促使人们迫切地寻求计算机能够自动分析与理解图像,满足人们的检索需求。图像分类技术正是解决这一问题的有效途径,它可以自动构建与人类认知相一致的图像语义信息。由于图像的多义性,多示例学习框架凭借其出色的图像表示能力被成功地运用到图像分类任务中。基于多示例学习的图像分类方法大致可以分为两个方向,一种是在多示例数据上研究新的算法,使算法适应数据；另一种思路是则是直接运用一些成熟而有效的传统监督学习方法来解决多示例问题,使数据适应算法。两种方法均取得了不错的分类效果。基于退化策略思想,本文提出了一种新的基于多示例学习的图像分类方法。该方法首先针对图像分类任务的特殊性提出了一种新的示例原型提取算法,更加快速有效的提取示例原型；然后使用x-means方法对示例原型集合进行聚类,建立映射空间,将多示例样本转化为传统的单示例样本；最后借助成熟的SVM技术学习分类决策。为了测试提出算法的有效性,我们在标准数据集Corel5k上进行了实验。实验结果表明新的示例原型提取算法可以快速地提取出语义更加一致的示例原型,噪音少；通过对比其他的多示例学习算法,我们提出的这种新的多示例学习算法在图像分类任务中获得了较好的效果,具有较高的分类准确率,验证了算法的有效性。