图像分类是计算视觉领域的一个重要分支,随着软硬件水平的提高,基于深度学习的图像分类方法已经成为近几年的研究热点。其中,卷积神经网络模仿了生物视觉系统的结构,具有强大的特征提取能力,对于处理图像数据展现出了良好的表现,已经成为图像分类领域广泛使用的结构。然而,卷积神经网络所提取的部分特征在不同样本类别间的分布差异较小,对分类的贡献度不大,甚至会造成分类精度的下降。鉴于此,本文针对基于特征选择的图像分类问题开展了研究,主要研究工作如下:（1）将特征选择算法引入到卷积神经网络中,在卷积神经网络提取图像特征的基础上,利用多集群特征选择（MCFS）、谱特征选择（SPEC）、因子分析（FA）和局部线性嵌入（LLE）四种特征选择算法去除冗余、选出对分类贡献大的特征,并根据选出的特征重构分类器。实验结果表明,卷积神经网络中加入特征选择可以提高图像分类的精度。（2）鉴于在图像分类问题中训练样本标签的存在,本文考虑将类标签信息应用到特征选择中,提出了基于聚类选择特征的卷积神经网络图像分类方法。该方法基于卷积神经网络所提取的图像特征,采用模糊C均值（FCM）聚类描述特征的分布情况,并提出了相应的类间差异的度量指标,从而选出对分类贡献大的特征参与图像分类。具体而言,该方法将卷积神经网络所提取的训练集图像特征按标签划分,然后针对每一类别上的每一维特征,使用FCM算法的结果分别描述图像特征的分布,并根据聚类中心和隶属度信息设计了特征类间分布差异度的度量,根据类间分布差异度的大小选出对分类贡献度高的特征,然后基于选出的特征重构分类器。实验结果表明,该方法可以有效地评估特征对分类的贡献程度,针对性地选出了对分类贡献大的特征参与分类,对于提高图像分类精度表现良好。（3）为了使聚类结果能更加客观地刻画特征分布的自然结构,将聚类有效性指标引入到了基于聚类的特征选择中。先使用Xie-Beni指标确定特征集的最佳聚类个数,并在最佳聚类个数下的使用模糊C均值获得特征分布的描述。基于这样的特征分布描述,所获得的类间分布差异度将更加客观,可有效解决特征描述时聚类个数等超参数选择的问题,从而进一步提高了图像分类的性能。