图像分类技术是近年来图像处理、模式识别、人工智能等领域里最受关注的课题之一。随着社会的发展、科技的进步，其应用范围不断扩大，目前已经扩充到了生物学、军事、天文、地理等诸多领域。　　本文首先介绍了常用在图像分类技术中的分类算法，其中支持向量机（Support Vector Machine，SVM）被认为是一种快速、高效的分类器，有着非常广泛的应用。　　为了进一步改善支持向量机的性能，将半监督学习引入到支持向量机中，实现了直推式支持向量机（Transductive Support Vector Machine，TSVM）算法，它比支持向量机有着更好的泛化能力；但是却有着需要事先设置无标签样本中正负样本的比例、时间复杂度高的缺点。　　为此，本文提出了一种改进算法IPTSVM，该算法在原有的直推式支持向量机的基础之上，通过只对部分无标签样本进行优化，这些被优化的样本点都对分类器的训练有重大的影响力，抛弃大量无关样本点以及影响力较小的样本，使其算法的时间复杂度明显下降；与此同时，算法还采用了成对标注法则，很好的解决了直推式支持向量机中需要事先设置无标签样本中正负样本比例的问题。　　最后本文还通过实验验证了本文改进算法的有效性，证明该算法在保证精度的前提下能够大幅度缩短算法的训练时间，达到了预期的效果；并且还将该算法应用到了图像分类领域，实现了一个简单的图像分类软件，经对比分析验证本文改进算法的可行性。