随着多媒体技术和智能设备的迅速发展,数字图像规模呈爆炸之势。如何有效的利用计算机技术对图像进行高效管理,成为了当前炙手可热的研究领域。图像分类主要就是研究如何提取图像的有效特征对其进行自动的分类和识别。基于视觉神经机制的稀疏编码方法被应用在图像处理领域后,使得图像分类的准确率得到了大幅提升。图像的稀疏编码方法是一种高效的图像特征编码方式它通过训练图像特征得到过完备的字典,再通过编码得到特征基于字典的重建系数,即稀疏编码。该方法的核心在于利用过完备字典的基向量的线性组合来表示图像的特征。但原始稀疏编码算法本身依然存在一些缺陷,它在编码的过程中忽略了各个特征之间的相关性,往往造成相似的特征得到了完全不同的编码,大大影响了图像的分类准确率。基于此,本文的主要工作及成果如下:首先,本文就图像分类的基本框架,研究了几种常见的特征提取方法和分类器的基本思想和具体流程,并比较了其优缺点,最后通过实验验证了几种方法的在图像分类中的准确率。其次,本文提出一种稀疏编码的改进算法:基于生命周期稀疏约束的编码方法。该方法通过在原始稀疏编码的目标公式中增加基向量的激活次数约束,控制每个基向量的激活次数,均衡的选择基向量来表达图像,有效保证编码的生命周期稀疏性,从而有效提高图像分类准确率。最后,本文提出一种字典学习的改进算法:基于聚类优化的字典学习方法。该方法在传统的Kmeans聚类方法的基础上,优化初始选择聚类中心的方法,每次选取相关性较低的向量作为新的聚类中心,该方法得到的字典更高质量,也有效提高了图像特征量化的精度,从而有效提高了图像的分类准确率。本文通过大量实验验证了,在数据集Caltech101和Scenes15上,本文提出的两种算法获得非常好的图像分类效果。