场景图像分类(Scene Image Classification)是依据一组给定的语义标签来对图像数据集自动分类,其是目标识别、图像检索、视频标注等的基础,近年来已成为模式识别和计算机视觉领域的研究热点。场景图像分类的主要任务是让计算机能够像人类一样认知和理解图像所包含语义信息,其难点在于如何有效地区分场景类内的差异性和场景类间的相似性。基于此目的,本文研究了如何从场景图像中提出有效的判别特征,来弥补图像低层视觉特征和高层语义信息之间的语义鸿沟。本文的主要贡献有:　　(1)提出了空间局部二值模式(Spatial Local Binary Patterns,SLBP)的算法,SLBP是对经典的LBP的一种改进,其在不同的方向、不同的投影中心及不同的尺度上投影LBP描述子,从而最大程度地编码了图像中物体的空间信息以及物体之间的相互关系信息,然后采用多核的方法度量图像之间的相似程度;　　(2)、提出采用多层次核机器的方法改进空间PACT(Principal component Analysis ofCensus Transforn histogramS,PACT)方法,使其在不同的空间金字塔尺度上对场景图像分类具有不同的贡献,从而在整体上提升场景图像分类的性能;　　(3)、提出了基于非负稀疏编码(Non-Negative Sparse Coding,NNSC)的多池组合策略联合的表示图像语义信息。首先非负稀疏编码用于学习视觉词典和编码描述子,然后使用多池组合(Multiple Pooling Combination)策略将多种池方法投射的特征组合起来表述图像场景特征,从而进一步降低了图像编码过程中的信息损失。　　最后,多类的支持向量机(Support Vector Machine,SVM)分类器用来执行场景图像分类任务。多个公用数据集上的大量实验结果表明,提出的场景图像分类方法具有很高的正确分类率和很强的鲁棒性,从而证明了我们提出的方法的有效性。