图像分类是计算机视觉和人工智能领域最近几年的研究热点。支持向量机是基于结构风险最小化原理的高效分类器，其核心技术之一是核函数。塔形匹配核（Pyramid Matching Kernel，PMK）是一种对特征向量集合之间进行匹配的高速核函数，自2005年提出以来引起了众多研究人员的注意，并被广泛应用于图像分类和识别的众多领域。 然而，在塔形匹配核函数中存在两个问题：1.误差与特征向量维数成线性关系，因此处理高维数据结果不佳；2.权重设置与数据无关，分类结果有时不够好。对此，本文提出了两点改进：1.利用分维技术将高维数据在金字塔的每一层随机划分为若干低维数据，再进行若干次塔形核函数匹配，最后将结果带权累加；2.基于期望同类数据核函数值大，不同类数据核函数值小的思想，将权重优化问题转化为点到平面的距离，得到与数据相关的权重设置公式。通过基于ETH80，Caltech101和Caltech256三个不同难度的图像测试库的多组分类实验，证明了分维飘移技术减轻了塔形匹配核函数在高维数据中的误差限，提高了塔形匹配核函数处理高维数据的性能。权重优化方法则在增加极小时间开销的情况下，使得塔形匹配核每一层的权重（尤其是随机分维后的权重）与数据特征更加吻合，提高了分类精度。与其余两种可以处理高维数据的改进塔形匹配核相比，本文提出的方法分类精度相近，但实现更简单，且时间开销更小。