摘要：目前,在人们的生活中存在海量的数字图像,这些图像涵盖了生活中的各个重要方面。然而,现实中存在大量无标记或错误标记的图像使人们难以对其进行搜索、处理以及应用。在传统图像分类耗费大量人力物力的情况下,计算机图像分类技术被提出并在短时间内迅速发展到相当的规模水平。本文对现有图像分类技术进行整理归纳,并提出了新的图像分类方法,通过实验证明,本文提出的方法比现有算法具有更好的分类精度。卷积神经网络是热门分类算法——深度学习分类方法之一,其模仿神经元处理图像使用的多重卷积核方法以及局部连接方法都具有较好的适用性。考虑到传统卷积神经网络的隐层不具有任何的物理意义,以及其性能依赖于海量的训练样本,本文提出了新的特征模型——池化密集SIFT模型(SP模型),并使用该模型构建池化密集SIFT卷积神经网络(SPCNN)。该分类方法使用高斯函数卷积核代替传统滤波器提取图像中的密集SIFT特征,并通过内积空间池化的方式形成包含物体特征以及物体分布的SP模型。经实验表明使用SP模型的SPCNN分类方法分类精度优于传统CNN分类算法。为了更好的提升分类精度,进一步利用图像SP模型的信息,本文提出了基于池化密集SIFT模型的随机森林分类器(SPRF)。为了更好的对局部物体进行判断,SPRF算法包含了对于图像空间的采样和筛选,使之成为新的局部子空间。相较于一般的随机森林分类器,SPRF使用了更强的基分类器,具有更小的泛化误差。实验结果表明,与普通SIFT特征分类、普通随机森林分类及集成算法分类相比,使用了SP模型的SPRF算法具有更好的准确率。本文的研究成果为使用密集SIFT特征构建SP模型,基于SP模型提出了SPCNN以及SPRF分类算法,提升了现有图像分类的准确性,在图像分类中具有一定的参考价值。