随着技术和社会的进步，图像成为越来越重要的信息载体，如何对图像信息进行有效的处理成为目前研究越来越重要的内容，为了能让计算机快速合理的处理各种图像信息，有必要对图像进行分类。但在图像在成像、存储等过程中难免会产生噪声，破坏图像的质量，影响了图像分类的结果，为了能提高分类的准确率，因此在分类前需要对图像进行去噪预处理。　　 支持向量机(Support Vector Machines，SVM)是近年来兴起的基于统计学习理论的一种新机器学习算法，能有效的处理线性问题及非线性问题的分类和回归。目前SVM已经用于处理图像去噪和分类问题，但SVM在这两个方面的应用仍然是研究的热点。　　 本文使用基于SVM回归模型来实现图像滤波和图像分类，然后通过实验来验证方法的可行性。本文研究具体内容如下：　　 (1)图像的生成、存储、传输等过程中，不可避免的会产生黑白噪声点即椒盐噪声，为了能去除这些噪声点，本文给出了一种基于支持向量回归模型的去噪方法，具体是通过先使用MAX-MIN方法检测出噪声点，利用未被污染的信号点构建回归函数，来回归噪声点的灰度值，该方法能有效的保护图像细节和边缘信息。　　 (2)为了解决二叉树SVM在分类过程的重分问题，给出了一种基于贝叶斯决策原理的二叉树SVM，即bd-BTS。鉴于本文中为了更好的提高分类的准确类，给出了一种基于SVM回归模型的分类方法，该方法在使用图像特征进行构建分类决策函数时，同时使用这些图像特征来构建图像的SVM回归区间。在使用该分类方法分类的过程中，判断由bd-BTS分类得到的结果是否落在回归区间中，把落入回归区间的作为结果输出。　　 (3)在最后通过使用MATLAB平台和LIBSVM-mat软件包对本实验中的滤波方法和分类方法进行了实验验证。在滤波方面使用基于SVM回归模型的滤波方法与其他方法进行对比实验。在分类中，使用了基于SVM回归模型分类方法及bd-BTS分类方法与其他常用的SVM方法进行了对比实验。同时还使用本文给出的分类方法对受污染的图像和污染处理后的图像进行分类处理，验证图像预处理对图像分类的重要性。