在当今这个信息爆炸的社会,互联网在极大地方便了人们搜索信息的同时,也存在着一定的问题。如何从这些浩如星海的信息中检索到对自己有用的部分,这就涉及到检索与分类的问题。图像的分类与标注一直是计算机视觉与机器学习领域的重点内容,作为获取图像语义信息的重要手段而有着广泛的应用。随着科技的进步及拍摄工具的普及,越来越多的人们将自己喜欢及感兴趣的图像上传到网络上与人共享,也有越来越多的人们会通过互联网来搜寻自己想要的图片。这也导致自然图像的分类成为最近几年研究的热点问题。传统图像分类方法通常是基于人工标记,但是它存在着两个很难解决的问题：其一是由于人工标记的图像往往由于主观因素带有很强的主观性,每个人对图像的标记方式不同会导致不同的分类结果；其二是由于很多标记工程比较浩大,通过人工来标记既费时又费力,难以大批量地进行。目前对于图像的分类大多集中于遥感图像及纹理图像方面,而对自然图像的分类研究相对较少,一方面由于自然图像的语义及包含的对象比较复杂,没有明显的规律性；另一方面则是由于自然图像多为彩色图像,颜色特征纷繁杂乱,使得通过自然图像中包含的内容对其内容进行分类面临着较大的挑战。目前基于内容的图像分类已经取得了一定的研究成果,然而已有的研究方法大多是基于图像的单一特征,这并不足以充分地描述图像,但是多示例方法就可以很好地解决这个问题。本文在深入研究多示例学习及神经网络的基础上,提出了全新的多示例学习方法用以解决自然图像的分类问题。本文的主要研究内容如下：针对自然图像分类问题,基于BP神经网络提出一种多示例学习方法。本文通过将自然图像当成包,对区域的视觉特征进行分割作为包中的示例,利用K-Means聚类算法对示例聚类,在分类学习阶段以其作为一种改进BP神经网络的输入训练得到分类器。在Corel数据库上的实验结果表明,该算法平均精确度较高,性能良好,且具有一定的稳定性。