近些年来,计算机视觉技术飞速发展,图像分类作为经典问题一直被研究学者所关注。与此同时,在图像特征表示方面,研究者们提出了多种类型的视觉特征,可以更为准确的从不同方面、角度来描述图像。在传统的图像分类方法中,通常是只利用一种特征,或者以经验性的方式分配多种特征的权重值。如果要更好的利用各种特征来增强图像描述能力,这就要求我们以一种合适的方式对它们进行结合使用。多核学习是在单核学习基础上的一种扩展。多核学习可以根据不同的学习任务,获得在当前任务下最优的核组合方式。本文利用以多核学习为形式的特征融合,将各个特征有效的结合起来使用,利用其互补性信息来增强图像分类能力。本文重点针对基于多核学习的图像分类问题进行研究,重点解决多核学习在应用于图像分类时学习时间代价高,不能获得稀疏解的问题。同时基于图像表征形式丰富、类内差异大的特点,结合聚类的方法来提高图像分类准确度。本文的主要工作如下:(1)提出了基于核相似度的多核优选策略。考虑到多核学习较高的学习复杂度,通过分析多核学习与集成学习的关系,借鉴集成学习中的集成策略,在多核学习的初始阶段选择部分优质核。为了获得较好的评估准则,探究了多种不同的以核相似度为基础的评判方法。最后以聚类的方式,同时结合核间相似度以及核分类能力来选择优质核。以优选后的备选核集来进行多核学习,可以获得更小的时间复杂度。(2)提出了基于核权重自适应调节的多核学习。将聚类与多核学习相结合起来,利用聚类所获得的数据分布信息来进行多核学习分类。在核权值求解阶段,利用基于核相似度的优化问题来加速求解过程。同时在试验的基础上,调整样本类别数,使得能够更好的获取样本集里的隐式结构信息,提高最终图像分类效果。(3)在15类场景图像数据集和12306图像数据集上对本文提出的两种方法进行实验测试。实验表明基于核相似度的多核优选策略可以在不损失分类准确度的情况下,有效的提高解的稀疏性、降低学习时间。同时在实验中探究了优选比例对核优选策略效果的影响,并验证了基于核权重自适应调节的多核学习可以获得比其他类似算法更好的分类效果和求解速度。