随着数字图像数据库的日益增多，如何快速提取有用的视觉信息越来越受到人们的重视，对图像的有效分类和检索成为获取图像信息的重要问题。因此，图像分类具有重要的实用价值和理论研究价值。图像分类的研究主要包括两个方面，图像的特征提取和利用学习工具对特征进行分类。纹理特征具有旋转不变性和较强的抗噪能力，是一种重要的图像低层特征。多尺度几何分析是在小波分析的基础之上发展起来的一类有效的信号和图像处理方法，具有良好的多方向性和各向异性，对于方向性信息能给出更加有效的表示。在众多新的变换工具中，脊波(Ridgelet)变换，曲线波(Curvelet)变换，轮廓波(Contourlet)变换以及梳状波(Brushlet)变换等是非自适应的多尺度几何分析工具的典型代表。梳状波(Brushlet)是为了解决角分辨问题而产生的一种有效分析纹理的多尺度几何工具。支持向量机(Support Vector Machine, SVM)是一种基于统计学习理论的学习工具。为了解决原空间中样本的线性不可分问题，通过核函数将输入向量映射到一个较高维的特征空间，再在该空间中构造最优分类面，它可以较好地实现结构风险最小化思想。鉴于它优越的性能，近年来获得了广泛的影响。本文采用支持向量机辅助多尺度几何分析，对图像分类主要做了以下两方面的工作。一是提出了一种基于Brushlet变换提取图像特征的图像分类算法。Brushlet在频域只有一个峰值，具有理想的频域定位性能。Brushlet变换为复值函数，具有方向信息，可以描述纹理的方向、频率、位置等信息。该算法是提取图像Brushlet变换后的能量和相位来描述纹理信息。通过对公共测试图像库Brodatz纹理图像库中图像的分类测试，该算法获得了比小波变换更优的图像分类效果，验证了本文算法对纹理图像分类的有效性。二是提出了一种基于Gabor变换和多层次特征传递的多纹理图像分类算法。对于一幅包含多种纹理的图像，可以通过对像素点进行分类达到区分不同纹理模式的目的，进而实现纹理的分割。每个像素的特征是通过结合其邻域内的像素所得到的。大的邻域可以体现图像的区域性质；小的邻域可以描述图像的局部性质，更有利于定位边缘像素。该算法是根据一定的策略在不同大小的邻域之间进行信息传递，在保证区域一致性的同时也能更有效地定位图像的边缘。实验是基于对Brodatz图像库中的图像进行人工合成所得到的多纹理图像，结果表明本文的算法可以更有效的实现多纹理图像的分类。