随着信息时代的发展，图像不管是在工业还是互联网中以及日常生活中都有广泛的应用，每天都有大量的图像需要处理，其中能否对每幅图像进行正确的分类是图像在其它方面应用的基础。　　图像特征提取是图像分类的基础，然后根据提取的图像特征向量设计分类器。目前人们对图像特征提取和分类器设计研究的比较多，在实际应用中也能取得较好的效果。但是，目前对图像以及分类器设计的认识还不够全面，图像某些方面的特征表达还有待完善，更好的图像特征提取方法还有待发现。一旦对图像有更深入的理解时可以提取图像新的特征，如果这时利用新的特征对图像进行分类，就需要对原分类器模型重新设计，不利于实际应用。为解决这个问题，本文从分类器模型扩展性的角度提出了一种图像分类方法，当有新的特征向量加入时不需要再重新设计分类器，把新的特征向量作为证据加入到分类模型即可。　　本文探讨一种图像分类设计方法，即基于极限学习机和证据理论融合的分类模型:首先分别用轮廓波变换和不变矩结合的方法以及灰度共生矩方法提取图像的纹理特征，图像的颜色特征在基于HSI颜色空间模型中提取，总共提取图像的三组特征并把它们分别作为样本的特征向量;其次对这三组特征分别设计分类器其中分类算法用基于粒子群优化的极限学习机，并提出一种证据理论基本概率赋值函数的获得方法即用该分类模型的输出作为每类的基本概率赋值函数(也表示对每类的支持程度);最后用证据理论对这些基本概率赋值函数融合得到最终对每类图像的支持程度。该方法模块化设计，可扩展性好，当得到图像新特时只需要用极限学习机分类器得到一组基本概率赋值函数，把这组函数与原来的相融合即可。最后用matlab进行了验证，证明了该图像分类模型的有效性。