赤潮是我国近海常见的重要灾害之一,不仅造成了重大的经济损失,而且对海洋生态环境、资源和公众健康构成了严重威胁。目前只能通过监测和预报的手段来减少赤潮造成的损失,因此建立赤潮生物的有效监测方法成为摆在我们面前的亟待解决的课题。传统的赤潮监测方法是通过显微镜进行人工辨认和计数。这种方法不仅存在劳动强度大、效率低等问题,而且赤潮生物由于形态相近难于分辨,因此需要经验丰富的专家才能进行分类识别。这些因素都严重影响了对赤潮灾害预测的反应时间,十分不利于赤潮减灾防灾。本文的研究工作在于针对赤潮生物提出具有较高准确率的实时自动分类方法。首先对赤潮生物图像原始数据集进行特征分析,并在此基础上,对原始特征集进行特征选择以去除特征集中的无关特征和冗余特征,得到最优特征子集,然后分别讨论和分析了SVM和KNN两种分类器在最优特征子集上的分类效果,最后提出了使用SVM-KNN分类器来进行赤潮生物图像的识别分类。本文研究工作的主要内容及创新包括以下几点:(1)在对数据原始特征集分析的基础上,提出了将ReliefF算法与顺序后向搜索(SBS)策略相结合进行特征选择的方法。使用该方法可以有效的去除原始特征集中的无关特征和冗余特征,减少它们对分类器分类精度的影响。并通过实验对比了SVM和KNN两种分类器特征选择前后的分类效果。(2)将经过特征选择后的4类样本数据集和7类样本数据集,分别用SVM和KNN两种分类器进行分类实验,针对实验结果对两种分类器分类的特点和性能进行深入的讨论和分析。(3)对SVM分类器和KNN分类器的理论进行了研究,发现了两种分类器的理论上的共通点,找到了将两种分类器结合起来的理论依据,提出了使用SVM-KNN分类器来改善赤潮生物图像的分类效果,并通过实验证明SVM-KNN分类器确实可以有效的提高分类性能。