信息时代的到来,各种数据呈指数级增加,例如文字、语音、图像信息等。同时随着科技的迅速发展,相比于其他传输媒介,其中图像信息的骤增愈发明显,且人们对于图像信息的感知更为高效。因此,大数据时代下对于图像信息的有效捕捉和分类已成为机器学习最基本的问题。图像分类技术被广泛应用于工业、农业和商业等领域,极大的方便了人们的生产生活,其分类方法已成为一个重要的研究方向。在众多图像分类方法中,极限学习机（ELM）作为一种不需要调整隐藏神经元的特殊神经网络,具有学习速度快、易于实现、人工干预少等特点。词袋模型（Bo W）是一种由文本分类衍生出的特征提取方法,它能够较好的完成图像表示,目前是图像分类任务中常用的特征提取方法。基于此,本文提出批量策略,并以其为主线先后提出两种ELM变体,旨在处理高维图像数据,同时基于词袋模型和特征编码,深入研究了空间金字塔匹配（SPM）模型,在决策阶段,将本文提出的批次继承极限学习机（B-ELM）作为分类器,构建了一种场景图像分类方法,本文具体研究工作如下:针对ELM在处理高维数据时计算复杂度高、内存需求巨大的问题,将高维数据集平均分割为可以独立优化求解的不同批次,利用自动编码器网络分批次处理,降低数据维度;为将各批次输出权重进行有效地融合,提出继承因子,建立各批次的隐藏层权重联系,最大程度上继承各批次的学习特征;根据正则化框架中求解约束优化的问题,构建目标函数,通过正则化代价函数求取新的隐藏层输出权值,得到一种新的求解输出权值的方法。针对ELM在处理高维数据时存在内存能耗大、泛化性差等问题,对数据集进行分批处理,降低计算复杂度;同时在逐层无监督训练中引入基于L1范数的自编码过程,构建多层自动编码器网络,对各批次数据进行无监督编码;结合流形正则化框架并引入继承因子,建立各批次之间的函数关系,构建含有继承项的流形分类目标函数;通过推导新的输出权重公式构造决策层分类器,以保持数据的完整性,进而提高算法的泛化性和鲁棒性。针对ELM在处理复杂场景图像分类时特征提取能力差、分类准确率低的问题,通过词袋模型提取图像SIFT特征并量化为视觉词汇,利用稀疏编码获得局部显著特征,降低特征维度;采用SPM生成多层级字典特征分布,捕捉特征的空间位置信息,实现对图像特征的稀疏层级表示;在决策分类阶段,构建B-ELM模型代替传统SVM作为分类器,降低网络复杂度,提高对场景图像的分类效果。