图像分类问题是当今计算机视觉与图像处理领域许多重要研究领域的基础问题。好的图像分类技术可以有效地解决其他科研领域的难题，比如遥感图像领域、图像检索领域、三维重建领域等等。每年许多学者都会提出许多具有创新意义的思路与方法，这些无疑有力地推动着图像分类领域的发展。　　随着互联网络的迅猛发展，在当今这个大数据时代，图像的数目亦呈指数形式增长。速度在如今的图像分类领域，同分类精度同样重要。分类的运算速度能力在实时在线等系统中是重要的考虑因素。同时，在最近的图像分类研究领域，许多学者提出了针对图像局部特征进行更深层次的描述，并通过更为优秀的特征表示方式构建原始图像的深度特征。　　本文中，首先基于狄利克雷分布模型及词袋算法模型提出了拥有速度优势一种轻量级图像分类技术。即:通过分块取样提取SURF特征，采用混合高斯模型建立视觉词典，统计词频直方图之后采用隐含狄利克雷分布算法进行图像分类。这种方法经试验结果表明，虽然识别效果有待提高，但在运算耗时上具有优势。　　随后我们在图像分类领域前人的研究成果基础上，又提出了另外一种基于深度学习模型的图像分类技术。即:采用了更具鲁棒性的图像局部特征，更良好的过完备字典构建算法，最后使用更适合高维特征与大量数据集的线性分类器进行对数据集的训练与分类。　　实验结果表明，本文所提出的第二种图像分类算法，在公开图像数据集上同图像分类领域的经典算法及目前主流的分类算法相比，不仅在分类精度上取得了不错的实验结果，在运算耗时及分类耗时上也同样有较好的效果。