随着网络和科技的发展,以数字形式保存的图像数据迅猛增长,因此利用图像分类方法在较短时间内实现不同类别图像之间的准确表示和分类逐渐成为一大研究重点。图像分类是计算机视觉中的一项基础性研究,最近几年基于词袋模型(Bag of Words,BoW)的图像分类方法虽然获得了突破性进展,但仍然存在一些问题:单一局部特征信息缺失、特征量化误差较大、图像特征变现力不足等。针对这些问题,本文在原模型的基础上对其进行了改进并提高了图像分类的准确率,具体研究和改进如下:针对词袋模型中单一特征描述子信息缺失对分类准确率造成的影响,本文提出了多特征融合的图像分类方法。将局部特征融合后对其编码,获得图像的特征然后进行图像分类。实验结果表明,该方法可以很好的改善单一特征信息不足的问题,在一定程度上提高了基于词袋模型图像分类算法的分类准确率。为解决词袋模型中特征量化误差较大的问题,本文采用了分层特征学习和BoW模型相结合的图像分类方法。构建一个多层的特征学习结构分别对图像特征进行字典学习和稀疏编码,最后将各层特征连接起来作为图像的特征表示。该方法利用分层学习结构减少了特征编码过程的误差,提高了图像特征的辨别力,较为显著的提高了基于词袋模型的图像分类准确率。本文采用分层特征归一化方法,在特征归一化阶段充分利用图像的空间特性。在各子区域分别对特征进行归一化处理,并按照不同空间大小为其确定归一化系数,最后将各空间归一化特征进行系数加权连接后作为图像的特征表示,最后通过实验验证了该方法的有效性。