图像的自动分类在许多领域都是一项关键的任务,其中包括图像检索、可视场景的目标检测、网络信息过滤、医学图像应用等等。当直接在图像上进行操作时,传统的分类方法由于数据的高维特性表现差,很难取得较好的效果。而支持向量机(Support Vector Machine, SVM)却可以克服高维表示的缺陷,因此被广泛运用到图像分类中。由于支持向量机的分类性能极大程度地依赖于核参数的选择,因此,本文着重研究了核参数选择方法,并利用不同的颜色、纹理特征对图像进行分类。本文所做的主要工作如下：1.分析了支持向量机核函数中各个参数对分类模型的影响,使用网格搜索法和粒子群算法对模型中的参数进行了优化,比较各方法对SVM核参数的寻优能力。2.对彩色图像在HSV空间使用不同的量化方法提取颜色特征,针对传统直方图丢失颜色空间信息的情况,使用一种区域加权直方图与颜色矩结合的颜色特征提取方法。纹理方面,使用灰度共生矩阵法、LBP分别提取出图像的纹理特征,对LBP模式的进行了降维方面的研究,分析了LBP统一模式的不足。3.应用PSO算法的SVM对图像进行分类,对图像的色彩、纹理等多种特征的分类能力进行了测试和比较,分析了不同参数优化方法对图像分类准确率的影响。