在计算机视觉、模式识别与机器学习领域中图像场景分类扮演着非常重要的角色。图像场景分类广泛应用于很多个领域,如目标识别和行为检测。但是,对于单个物体实例来说,通常会由于不同的光照条件,拍摄角度和图像采集距离导致图像分类的准确性降低,而且对象本身的非刚性变形和其他对象的部分遮挡也会导致对象实例的表现特征发生大的变化。与此同时,随着多媒体和互联网技术的快速发展,这些技术所产生的数据规模不断的扩大。大多数数据以图像和视频的形式呈现。图像的快速而准确的分类已经成为计算机视觉领域的热点问题之一。Hadoop是主流的分布式计算平台之一,在处理海量数据方面上占有极大的优势。因此,在Hadoop平台上使用其平台上强大的计算和存储功能用来提高图像分类的效率。本文的内容主要包含以下几个部分:(1)简要介绍了Hadoop平台的架构以及图像分类的基本方法,重点介绍了低级特征提取的SIFT算法和中层特征建模的BoW模型的基本理论知识。(2)深入分析了由SIFT算法和BoW模型而引出的问题,本文会从SIFT算法的低级特征提取和BoW中层特征建模这两个方面提出一些优化的算法作为图像场景分类所使用的算法,通过这些优化的算法来提高图像场景分类的准确性。(3)本文在Hadoop平台上使用改进的分类算法对图像进行分类,通过实验可以证明,在Hadoop平台上使用改进的相关分类算法,不仅提高了分类的正确率,同时也提高了分类的速度。(4)对基于Hadoop的图像场景分类算法进行了总结以及对未来图像场景分类的展望。