作为图像检索、图像识别、图像过滤等方法的关键技术,基于内容的图像分类技术已成为模式识别领域中的一个重要研究方向,它的目的是将图像数据按照自身的语义特征进行分类,“词袋”模型在基于内容的图像分类领域中取得了很大的成功,因此越来越受到大家的重视。但是,在构建视觉词汇表的过程中,当前的很多方法只是简单的将底层特征进行聚类,并没有考虑图像区域之间的空间关系,这导致了词汇表不够准确和稳定。本论文引入和改进了几种能够结合空间信息的算法,用于构建视觉词汇表。本文的主要贡献在以下几点:首先,提出了一种演化SOM-SD算法对传统的SOM-SD的神经网络算法进行加速并用来进行图像分类。传统的SOM-SD算法的最大优点是它能够有效处理结构数据,区分相似度较高的对象。但是,由于引入了空间信息,SOM-SD计算量非常大,影响了其在大规模图像库上的应用。在保留SOM-SD处理结构数据能力的前提下,本文利用分层演化思想提高计算效率。实验证明:演化SOM-SD算法在图像分类性能上比没有考虑结构信息的传统算法有了明显的提高,其计算速度远远高于传统的SOM-SD算法。其次,提出了一种基于空间约束的分层模糊C均值算法,该算法是基于FCM-S(基于空间约束的模糊C均值算法)改进而来的。相比K均值,其避免了噪声对视觉词汇的影响,增加算法聚类的鲁棒性;相比FCM-S,其提高了算法的计算效率。在相同环境下的实验证明,该算法在图像分类的鲁棒性和计算效率方面都有了明显的提高。