信息技术的不断进步和网络技术的蓬勃发展，使得数字图像作为重要的信息载体成为互联网信息中很重要的组成部分。随着图像数量的与日俱增，如何快速高效的管理图像成为急需解决的一大难题。然而，图像分类的出现使得这一棘手问题得到解决，因此成为图像处理领域的一大研究热点。近些年来研究者大多集中于基于内容的图像分类研究。然而图像包含的内容是极为丰富的，按照不同的内容可以将图像分为不同的类别，为了满足不同的分类需求本文主要研究了内容可变的图像分类方法。 　　图像分类一般分为特征提取和基于特征的分类两个步骤。针对特征提取问题，本文分析研究了多种特征提取方法，并对其进行了实验比对，最终确定了各底层视觉特征的提取方法。对于图像分类问题，通过研究统计学习理论和支持向量机(SVM)，分析了支持向量机在分类应用上的优势，因此本文采用支持向量机对图像进行分类，以不同的特征向量作为 SVM 的输入对图像进行了多组分类实验，研究不同的图像内容对图像分类的影响。考虑到单一显著特征通常能够快速且准确的分类差别非常大的图像，本文提出了多级分类思想即首先按照某一显著的单一特征对图像进行粗分类再融合其余底层特征对图像进行细分类，并采用多级分类方法进行分类实验。 　　通过实验验证，利用多级分类思想进行粗分类后，缩小了需要再进行细分类的图像范围，因此避免了不相关图像的干扰，使得多级分类方法的整体分类正确率较传统的单级分类方法得到有效的提高。此外，在分类中可以选取不同的显著特征以满足不同图像的分类需求，实现内容可变的图像分类，使图像分类具有更加广泛的适用性。