图像分类是计算机视觉任务中的重要组成部分,其关键是如何进行特征选择。从使用传统方法提取图像的手工特征,到使用卷积神经网络(CNNs)提取图像的深度特征,图像分类结果得到了显著提升。现有的CNNs网络中大多采用整张图像特征作为图像分类的依据,很少考虑图像的空间信息,而图像的空间信息对分类任务至关重要。因此,本文考虑应用图像的空间信息来提高分类结果,并将图像的空间信息分为显著信息和背景信息。本文提出了基于多目标的弱监督定位算法,通过弱监督定位算法来获取热度图。在得到热度图后,我们进一步提出了基于图像空间信息的特征选择方法。本文的主要工作有:(1)提出了基于多目标的弱监督定位算法BCAM(Binary Class Activation Mapping)。针对CAM(Class Activation Mapping)算法在多目标数据集上定位不准确的问题进行改进,提出了 BCAM算法。BCAM算法改进了 CAM算法的目标映射单元和损失函数。在目标映射单元上,BCAM为每一个类别设置了独立的卷积映射单元,将每一个类别作为一个二分类问题。在损失函数上,为了能为每一个目标映射单元计算损失,采用了 BCE(Binary Cross Entropy)损失函数来优化网络参数。通过对比实验,验证了在多目标数据集上BCAM的定位结果比CAM算法的定位结果更准确。(2)提出了基于图像空间信息的特征选择方法。我们依据弱监督定位算法生成的热度图进行特征选择,来提取图像的空间信息,进一步根据热度图获取显著区域特征和背景区域特征,并将不同区域的特征处理和融合。在特征处理和特征融合中采用了多种方式进行实验,最后将融合的特征用于训练SVM分类器。与现有分类算法进行的对比实验证明了我们特征选择方法的有效性。