在计算机视觉领域内,图像分类是一项基础工作。它是诸多视觉应用的重要环节,扮演着关键的角色。本文主要是在中型规模的数据库进行分类任务。分类任务一般采用视觉词典框架解决,视觉词典框架被广泛使用的原因在于框架内每个模块相互独立,易于改进且效果不俗。特别是在近年,特征编码模块相比其他模块显得更为重要。特征编码在历经多次改进后,图像分类系统的性能也愈来愈好。但是图像分类系统仍然面临着许多严峻的挑战:分类精度较低,图像内容的变化性等。本文认为主要原因在于大多特征编码方法只考虑在特征空间中进行编码,虽然提出局部性、显著性及相似性约束等重要属性,却丢失了图像的重要信息即空间上下文。同时,在实验过程中,我们发现图像的表达向量不够稳定。因此,本文将以特征编码方法为主,着重研究此主题相关的多种方法,同时调研图像分类系统中所需方法。针对上述存在的问题,本文提出一种结合空间上下文的特征编码方法,用于图像分类,其主要内容如下:1.本文首先对特征编码方法进行了国内外研究现状的调研,并对基于全局特征编码和基于局部特征编码方法进行了细致的阐述,分析各自的优缺点,并探讨两类方法之间的相互关系。2.本文调研了视觉词典框架下各个模块的相关方法,并对各模块的相关方法进行研究和对比,选取当前对图像分类精贡献较大的方法运用到本文。3.本文通过结合特征空间和图像空间所带来的有用信息进行特征编码。首先,快速选取每个特征点的相邻点,建立判断空间上下文关系的模型,增强编码向量的辨别力;同时为了提高编码向量的稳定性,采用非负性限制条件对编码向量进行约束。在保持原特征编码方法所拥有的局部性、平滑稀疏性及重构的准确性前提下,融入空间上下文信息和增强编码向量的稳定性。