随着当前社会信息化、自动化、智能化程度的不断提高,计算机视觉受到了各个领域内的研究者们越来越多的重视。图像分类系统应运而生,图像分类系统就是部署在计算机或运算平台上,将低层次的图像数据提取为高层次的语义特征,实现图像分类功能的系统。在图像分类系统中,有两个标准共同来衡量系统的性能:第一个标准是准确率,准确率越高说明系统越可靠;第二个标准是系统的算法复杂度,算法复杂度低的系统更加易于部署并且运行更快速。基于卷积神经网络的图像分类系统能够自适应提取图像特征,准确率对比基于手工挑选特征的图像分类系统较高,但是比较耗费运算资源和存储资源。本文针对已有算法的不足,运用二值离散余弦变换算法,在保证模型高准确率的基础上设计了轻量级图像分类系统。本文独立完成了以下工作:（1）设计图像分类系统。特征提取阶段运用离散余弦变换对图像中的局部小块进行有效、快速的特征提取。在特征精简阶段,运用多图合并的二值化哈希变换与分块直方图量化拼接进行特征的合并。引入超参数对特征进行采样精简。（2）将二值离散余弦变换算法与图像特征提取相结合。将二维离散余弦变换分解为正交的一维变换,降低运算消耗。将矩阵化的离散余弦变换算法与二值离散余弦变换算法相结合,将特征提取过程中浮点乘法运算替换为定点加法运算,极大缩减了模型运算量。（3）在两个数据集上完成验证。通用手写字符MNIST数据集和车标图像VLOGO数据集上均达到了已知最佳的分类准确率。设计的图像分类系统相比主流的深度学习模型和轻量级模型,分类准确率更高,存储复杂度与运算复杂度大幅度缩减,在现实运用中具有实用性和易部署性。