随着人们对人工智能的关注越来越高,图像分类识别技术作为其中的重要分支领域也受到研究者的越加重视。同时,因素空间理论在数据科学中所提出的因素分析法也逐步引起人们的关注。因此,基于因素空间理论进行图像分类识别工作是一个新颖且有意义的研究方向。本文着重研究因素空间理论的图像分类识别方法的构建与应用问题,取得的主要成果如下:首先,本文介绍了图像分类识别技术的原理和因素空间基础理论,重点探讨了因素空间中的因素分析法在图像分类识别中应用所存在的问题:1.因素空间中的因素分析法在不完备数据集中会发生样本无法识别的问题;2.目前的因素分析法仅讨论了离散数据情况,而部分图像分类数据集属于连续型数据,因此无法直接应用因素分析法解决图像的分类识别问题。因此,本文以解决上述两方面问题为目标对因素分析法进行改进。其次,针对不完备数据集所产生的样本无法识别问题,本文对因素空间中的因素分析法的分类识别过程进行改进,提出基于择近原则的因素分析法。第一步,结合最近邻原则对无法识别样本进行初次识别;第二步,结合最大隶属原则对初次识别中的非唯一最近邻进行二次识别,从而把所有无法识别样本进行有效的类别划分。本文利用基于择近原则的因素分析法对乳腺癌数据集进行分类测试,结果显示:全部样本均能被成功识别,分类准确率达到98.67%,较改进前的因素分析法提高了5.34%。最后,针对因素空间理论在连续型数据集的适用性问题,本文结合数据离散化方法和基于择近原则的因素分析法,提出基于因素空间的图像分类识别方法。利用图像分割数据集进行实验对比,结果显示:基于因素空间的图像分类识别方法的分类准确率达到89.29%,高于朴素贝叶斯、C4.5、支持向量机、BP神经网络这四种常用图像分类器。结果表明,本文提出的基于因素空间的图像分类识别方法在图像分类数据集等连续型数据集中有效应用,且算法效果出色,因素空间理论为图像分类识别领域提供了可行的新研究思路。