随着多媒体和互联网技术的进步,数字图像已经成为人们日常生活中十分重要的信息表达和传输方式。伴随着图像数据的急剧增加,如何对图像内容进行自动分析已经成为一个迫切的问题,图像分类技术也因此而诞生。根据所使用特征的抽象程度,图像分类方法可以分为基于低层特征的图像分类方法、基于中层特征的图像分类方法以及基于高层特征的图像分类方法。本文基于神经网络模型,分别对采用中层特征和高层特征的图像分类方法进行了较为深入的研究分析。从中层特征角度,提出了一种新的特征表示方法,即自编码器词袋(Bag of Autoencoder Words,Bo AEW)。视觉词袋(Bag of Visual Words,BoVW)是一个经典的图像分类框架。传统的BoVW方法通常使用SIFT(Scale-Invariant Feature Transform)描述子作为低层特征表达,然而使用手工设计的特征作为视觉信息处理的第一步,可能会过早地丢失有用的信息,而从图像像素中直接学习到低层特征则是一种更为有效的手段。基于此,本文将自编码器(Autoencoder)神经网络融入BoVW框架中,提出了一种新的BoAEW特征表示方法。相比于传统BoVW使用手工设计的局部特征(例如SIFT),BoAEW使用Autoencoder生成自适应的局部特征。因此,BoAEW不仅将BoVW从使用手工设计的特征扩展到使用无监督学习的特征,同时也提高了Autoencoder的实用性。在人脸识别数据集和场景分类数据集上的实验结果证明了所提BoAEW方法的有效性。从高层特征角度,就卷积神经网络(Convolutional Neural Network,CNN)模型应用于图像纹理分类进行了较为系统的研究。近年来,CNN在许多计算机视觉应用中都取得了突破性进展,但其在纹理分类应用中的性能还未得到深入研究。为此,本文使用预训练的CNN提取图像的初步特征,此特征经过PCA降维之后可得到最终的纹理特征,将其输入到SVM分类器中便可获得分类标签。通过在4个常用的纹理数据集上的性能测试与分析,指出了CNN在纹理分类任务中的有效性和不足。结论表明,CNN模型在大多纹理数据集上均能取得很好的性能,是一种优秀的纹理特征表示模型;但其对包含旋转和噪声的纹理图像数据集仍不能取得理想结果,需要进一步提升CNN的抗旋转能力和抗噪声能力。另外,有必要构建具有足够多样性的大规模纹理数据集来保证CNN性能的发挥。