多媒体技术的广泛应用与互联网日益成为我们生活中的一部分，带来了大量的数字图像。图像分类正是在这样的一个环境下提出和发展起来的。根据图像的内容把图像划分到正确的类别，不仅有助于提高网络图像检索的准确性，也有助于对图像数据进行科学有效的组织和管理。如何科学、准确的对图像数据进行分类，是多媒体技术的一个重要研究内容。数字图像的类型有很多，包括彩色图像、灰度图像、红外图像等，本文主要研究灰度图像和彩色图像的分类问题。近年来，图像特征提取技术和机器学习算法都有长足的发展，但是，由于分类器分类模式的差异和图像集视觉内容的差异，没有一种普适的特征或者分类器可以很好的解决所有图像集的分类问题。因此，从广义上提高分类器性能的分类器设计方法，分类器融合方法应运而生。本文引入了数据挖掘领域异常点检测的思想，检测出初始分类可能错分的图像，提供给后处理模块的分类器，通过分类器之间的互补和有效的异常点检测实现了图像的有效分类。本文主要工作如下：1.基于SVM方法实现了图像的初始分类。分析比较了多种类型的图像视觉特征，选择典型的形状、纹理和SIFT特征的组合表示图像，采用多分类的SVM算法实现了图像的初始分类，实验验证了方法的有效性。2.将基于角度的高维异常点检测算法应用于图像分类结果判别。在异常点检测领域，低维异常点指几维或十几维的数据，其余属于高维异常点检测的范畴。本文通过引入高维异常点检测算法，选择出初始分类可能错分的图像，提供给分类结果优化模块重新分类。3.提出了基于异常点检测的图像分类结果优化方法。针对异常点检测获得的可能错分的图像，采用最大熵分类算法获得图像的类别，替换初始分类获得的图像类别。通过分类器性能的互补和有效的异常点检测算法达到提高图像分类系统性能的目的。4.设计并实现了基于异常点检测的图像分类实验系统，能够实现对灰度图像和彩色图像的处理。系统在对图像进行初始分类后，采用异常点检测算法获得可能错分的图像，接着对可能错分的图像重新分类。针对训练集，首先提取视觉特征，然后学习SVM分类模型和最大熵分类模型；针对测试集，提取视觉特征，首先用SVM分类模型进行分类，然后对分到每个类别的图像进行异常点检测，对检测到的图像采用最大熵分类模型进行类别修正。实验结果表明，本文提出的方法在测试图像集上均获得了较好的效果，满足应用异常点检测技术提高分类效果的要求。