SIFT局部特征因良好的性能在图像和视频的语义概念检测中得到广泛应用。已经有很多学者对SIFT做了深入研究,并提出了PCA-SIFT,SURF,MSER等,但是在SIFT算法中,阶与阶之间采样率的变化对SIFT特征的影响关注很少。考察了SIFT算法中,阶与阶之间采用不同降采样率对SIFT特征差异性的基础上,提出了一种多层次的SIFT(ML-SIFT)算法。Caltech256和SceneClass13数据集上的实验表明,ML-SIFT相比于原始SIFT,其MAP的提高能够分别达到15.7%和5.1%。另外在Caltech256上,当采用不同比例的正负样本训练时,ML-SIFT算法具有较好的稳定性。同时,还将ML-SIFT算法、SIFT、SURF算法做了性能比较,SURF和SIFT算法的性能较接近,但是SIFT和SURF相对于ML-SIFT算法,则其性能较差。实验表明,ML-SIFT是有效的。