图像分类识别是计算机视觉领域的一个基本问题。一般来说,典型的图像分类识别系统均采用了特征袋模型,由以下三个步骤组成:特征提取、特征编码和分类器设计。特征编码,作为图像分类识别系统中承上启下的一环,对识别性能的影响巨大。本文主要研究图像分类识别中的特征编码方法,以提高识别精度。本文的主要工作和创新点包括以下两个方面:提出了一种基于分类采样策略的稀疏编码空间金字塔匹配方法。通常,各类图像的特征在数量上是有差异的,并且在特征空间中的分布也不均匀。对比随机选取方式,本方法能有效减少以上问题对码本构造环节的影响,从而构造出更具描述性的码本,增强了对图像的描述能力。大量实验结果表明,该方法的识别精度明显得到提高。特别地,当图像类别较多并且训练样本较少时,识别精度提升更为显著。提出了一种适合于场景识别的多特征的编码组合,并研究了相应的分类器选择问题。针对场景识别问题,该方法充分考虑了场景识别的复杂性,通过多特征的编码组合同时描述了场景的外观和结构。并且选择了适合于场景识别的分类器,进一步地增强了对场景图像的识别能力。实验结果表明,所提出的多特征编码组合以及选择合适的分类器有助于提高场景识别精度。