随着图像数量爆炸式地增加,如何通过计算机对图像进行高效地分类变得越来越重要。将显著性检测方法引入图像分类领域成为一种可能的解决方式。然而,虽然目前有很多显著性检测模型,但这些模型大多只能检测固定的显著区域,还没有一个模型能够通过简单地调节模型参数值,实现检测图像中具有不同显著度的显著对象。本文通过模拟人类视觉皮层V1区中基本单元,借鉴了特征整合理论,构造了一个“整合柱”模型。其中的颜色柱模型(Adjustable Saliency,AS),被进一步应用到图像分类领域中,构建了一个图像分类(Image Classification,IC)系统。IC系统以词袋模型的理论为框架,从局部特征和显著性编码方案为切入点。主要工作概括如下：1.构造了一个“整合柱”检测模型,其中AS模型可通过改变调节因子的值来模拟人类视觉中瞳孔调节聚焦的原理,从而能检测出图像中具有不同显著程度的对象。据此过程设计AS模型的算法,并给出其复杂度分析。2.根据给出的解决方案,运用面向对象的软件开发方法,设计并实现基于AS模型的图像分类(IC)系统。3.遵循论文想定,设计测试用例,实验结果表明：在国际上现有最大(1000张图像)的公开测试集上,AS模型性能超越了7种先进的显著性检测模型,IC系统在MSRCv2图库上能显著降低编码本的数量。