伴随着互联网技术的快发展,图像在人们日常生活中起到的作用日益增加,大量的视频数据、图像在医学影像、数字图书馆、工业产权、遥感系统等许多领域得到了广泛应用,从而产生了对图像进行分类识别的需求。图像分类是分类问题的子问题,是分类挖掘技术与图像挖掘的结合点。图像的分类是一个有重要应用价值的研究课题。分类存在很多种方法,常见的分类模型有决策树、神经网络、遗传算法、统计模型等。其中决策树算法由于复杂度小、计算速度快等原因,应用最为广泛。然而,在实际应用的过程中,现存的决策树算法还存在很多不足之处。例如,在处理高维图像数据时速度慢等问题。因此,进一步改善决策树,提高决策树的性能,使其更加适合高维图像数据的聚类与回归有重要的理论和现实意义。本文的主要研究内容如下:(1)针对高维数据聚类和回归速度慢的问题,深入的研究了HDR树的建树与检索过程,并分析了HDR树在聚类过程中聚类中心的选择和数据的降维过程。结合BDPCA算法提出了一种的新的判别回归树算法——2DHDR树算法。2DHDR树算法能够更快的处理训练样本,并且使得建树过程更快,树的层数更少。另外,本文研究了增量式的HDR算法(IHDR),分析了其建树与检索过程。(2)本文共进行了两组实验,分别在服从正态分布的二维数值数据上和高维图像数据上。在数值数据上的实验能够更加形象的展现HDR树的建树过程。在高维的图像数据是上主要进行HDR和2DHDR的建树过程实验、分类正确率实验、训练与测试时间实验。还有IHDR的分类正确率实验,训练与测试总时间实验。实验表明本文所提的2DHDR算法相比较于传统的HDR树拥有更快的构造与检索速度,并且当样本越大,差异越明显。