图像分类是计算机视觉领域内一个重要研究问题,在自然场景理解和工业检测等图像分析任务中具有广泛的应用。研究高性能图像分类算法对于大规模图像管理和有效组织具有重要意义。而图像的特征表示直接影响分类算法的性能,但在基于图像局部特征的分类算法中,忽略了局部特征之间的关系,并且在使用单一特征对图像进行表示时,可能会丢失部分信息。同时,随着卷积神经网络的兴起,如何融合传统图像特征和卷积特征进而提升图像的分类精度也是一个很有必要的问题。针对上述问题,本文主要有两个工作:1.在局部特征的基础上构建了图像的中层特征。具体地,从图像的局部特征出发,在超像素区域内有效地提取了中层特征,嵌入了局部特征的结构信息。然后在稀疏编码框架下将局部特征和中层特征结合起来,使得特征具有更好的判别能力。与仅使用局部特征的具有代表性的图像分类算法相比,新方法在几种常见的标准数据集上分类性能提高了3-4%。2.为进一步提升局部特征和中层特征的表达能力,在局部特征和中层特征分别使用了核函数,学习了相应的系数,进一步提升图像分类的性能。并在多核学习框架下对局部特征、中层特征和卷积特征进行了融合,通过实验初步验证了卷积特征与局部特征、中层特征在图像分类任务上具有互补性。实验结果表明在使用多特征融合后,图像分类精度比只使用卷积神经网络特征提升了4-6%。