随着科学技术的不断发展,我们已经进入了“人工智能”时代。人工智能领域的研究包括语音识别、计算机视觉、自然语言处理、机器人等。图像分类作为计算机视觉的一个重要研究课题广泛应用于智能交通、目标识别和图像检索等。针对智能设备与多媒体技术飞速发展带来的海量图像,如何设计同时具有高准确率和高效率的分类模型仍然是一个有挑战性的课题。目前人们掌握的图像分类技术已经取得了突飞猛进的发展,但有两个问题在图像分类中越来越凸显出来。一是由于图像内容的复杂多样性,需要通过多种特征融合表达图像内容,这样就会带来大量冗余特征使图像分类的准确率和效率降低;二是目前大多数图像分类方法都只适用于静态图像数据集。对于动态增加的图像数据集,原分类器已不能满足对新图像数据集的分类要求,重新训练分类器又会有大量的时间代价和空间内存的消耗。为了克服上述问题,本文将邻域粗糙集的特征选择与增量学习方法应用于图像分类中,主要内容及创新点如下:(1)将更具互补性的SURF和HOG特征融合用于图像;扩展了邻域粗糙集的相关概念,将图像数据映射到邻域粗糙集模型中;结合空间金字塔匹配模型,提出一种基于邻域粗糙集特征选择图像分类方法;在Caltech101、Caltech256、Corel-1000数据集上通过实验分析该方法对构建视觉词典大小和分类准确率的影响,选择合适的特征选择参数,不同特征选择算法的对比,验证该分类方法的准确率与效率。(2)结合邻域粗糙集增量学习的内容,提出一种条件熵增量学习的图像分类方法。该方法通过原图像数据集历史学习的知识更新分类器,在保证图像分类准确率的同时提升分类器的效率。在Corel-1000数据集验证了该方法的准确性与有效性,并对新增图像中有没有新的图像类别分情况做了分析。