图像分类是在语义层获取视觉信息的重要手段，有着广泛的应用价值。但在现实中图像往往呈现出同类间的多样性与不同类间的相关性，使得图像分类仍然极具挑战。利用局部多核学习技术学习多种视觉特征在当前分类任务下分类每一幅图像所需的最优组合，可以极大地减少同类间的多样性，与不同类间的相关性对图像分类的负面影响。而基于交替优化的局部多核学习不仅具有可保证的计算复杂度，还能有效地防范局部模型的过匹配，因此，本文主要研究基于交替优化的局部多核学习图像区分特征的方法，从设计新的形式化与优化算法，结合分布特性的局部启发式模型，及其在构建生物启发式图像分类模型中的应用这三个方面，深入系统地展开了以下四项研究工作：　　1)在设计新的形式化与优化算法的研究中，本文提出一种基于样本级的交替优化策略用于求解任意范数约束下的局部多核学习（即 S-LMKL）。算法上，S-LMKL在继承交替优化优点的同时提供了一种直接求解局部核权值的策略。经验实验上，与经典的MKL与最新的局部学习算法相比，S-LMKL在四类机器学习基准数据库（UCI数据库）与两类场景图像数据库上能够更有效地学习每一幅图像的分区特征，且具有令人满意的学习时间。　　2)在设计新的形式化与优化算法的研究中，本文提出一种基于半定规划松弛技术进行任意范数约束下的局部多核学习策略（即 SDP-LMKL）。理论上，SDP松弛可保证这类非凸问题的强结果。算法上，SDP-LMKL在继承交替优化优点的同时提供了一种直接求解局部核权值的策略。经验实验上，在十个基准机器学习数据库（UCI数据库）上的实验与多种统计检验证明与经典的MKL和最新的局部学习算法相比SDP-LMKL能够更有效地刻画每一样本的多样性，且在多种分类任务中具有更为鲁棒的分类性能。　　3)在结合分布特性构建局部启发式模型的研究中，本文提出一种基于概率置信核（PCK）的局部多核学习算法（即PCK-LMKL）。PCK通过挖掘类别概率密度分布与类别预测置信间的关系，定义了基于概率预测的类别属性间的相似性。该模型一方面更合理地刻画了局部特性；另一方面，预定义的概率密度函数保证了模型对测试数据的有效推广。通过交替优化学得的PCK-LMKL在十个标准机器学习数据库（UCI数据库）与两个图像分类数据库上的经验实验上取得优于经典的MKL与最新的局部学习算法的结果。　　4)在构建生物启发式图像分类模型的研究中，本文提出一种分类任务引导的生物启发式要点模型（即BT-gist）。通过对多分辨率空间布局特征引入PCK-LMKL，BT-Gist有效地模拟了人眼快速准确进行场景分类的两个关键属性：以场景的整体内容为中心的空间布局表征和分类任务引导的最优空间布局分辨率机制。多个图像分类任务的实验评估显示兼具这两个属性的BT-Gist优于现有的生物启发式模型和计算机视觉模型。