当前信息技术快速进步，图像数量与日俱增，伴随而来的是关于图像研究的众多课题飞速发展，如图像标注、3D重建、图像检索、图像分类、图像标签推荐等，其中图像分类研究已成为图像研究领域的热门课题。词袋模型作为图像分类研究领域中最成功的模型之一，已越来越受到大家的重视。但是，词袋模型的最大缺陷就是认为视觉单词特征彼此独立存在，丢弃了视觉单词之间的空间位置信息。研究发现,这种视觉单词之间空间信息关系对提高图像表示性能非常重要，丢弃后会很大程度上降低分类效果。本文针对此问题，提出解决方法，研究成果如下：1.针对词袋模型视觉单词特征中缺乏空间位置信息这一缺点，提出了空间矢量模型。该模型根据空间矢量原理，利用视觉单词的坐标位置，将图像视觉单词特征转化为空间矢量模型，用空间矢量矩阵表示图像。最终在图像描述中加入空间信息，进而有效地提高了表达图像的能力。2.根据空间矢量模型，将图像转化为视觉短语特征描述，以视觉短语直方图形式表示图像。并进一步提出视觉语言模型，该模型是在视觉短语特征形成后，与词袋模型的视觉单词特征进行结合，形成视觉语言特征，进行SVM分类。3.根据空间矢量模型，提出直接利用空间矢量矩阵比较的方式，并与词袋模型结合进行KNN分类。K值方面，采用交叉验证选择最佳K值；权重方面，通过测试图像矢量矩阵与训练图像矢量矩阵相同行数来分配权重，相同行数越大，对应权重越大。4.为了消除图像旋转对图像分类的影响，在空间矢量矩阵的基础上提出了矢量模的方法。矢量旋转时，矢量的方向虽发生改变，但长度不变。因此采用矢量的大小，即视觉单词的距离，来表示图像，就可以达到旋转不变性。本文实验在Caltech101和Caltech256数据集上进行，在Matlab环境中,利用本文方法进行图像分类,并与其它分类方法对比。实验采用的评价标准是平均分类正确率ACA和平均类别准确率ACP，采用的分类器是SVM和KNN。实验证明，空间矢量模型有效提高了ACA和ACP，具有很好的分类效果。