图像分类识别的任务主要是对一组图像进行自动的分类或者判断某幅图像是否属于某个类别,是计算机视觉领域中一个热点难点问题,具有广泛用途。目前国内外在图像分类识别的特征和模型方面进行了大量的研究,但在提取什么类型的特征以及如何有效建模方面还缺乏系统的理论与方法指导,影响图像分类识别问题的深入研究。针对上述问题,本文使用计算机视觉、机器学习、模式识别和图像处理等理论和方法,主要从底层的特征提取到上层的建模等若干关键问题进行了深入研究。特征方面,本文系统的分析了针对图像分类识别问题的局部特征提取、描述、应用范围和优缺点,建立了局部特征的评判标准。为了快速的检测局部特征区域,本文提出了Haar-Fast特征点检测新方法进行多尺度的特征点提取。在此基础上提出基于二维经验模式分解的特征点描述符新方法,可以有效的描述具有复杂特征的局部区域。同时,首次将经验模式分解引入特征点描述与匹配问题,也是对Hilbert-Huang变换理论的一种新尝试。模型方面,提出一种物体分类模型潜在局部区域空间关系模型及实现算法。模型描述物体各部分间的潜在空间关系,将抗缩放和仿射变换的特征区域方法与模型相结合,采用变分期望值最大方法进行学习。算法在抵抗平移、旋转、尺度缩放、仿射变换和部分遮挡等难点问题上具有优势。此外,为了有效的使用大量未标注图像训练模型,本文提出一种半监督学习的图像分类识别算法随机半监督采样。通过随机半监督采样算法,可以充分利用未标注样本信息,对模型进行迭代的更新。针对该半监督学习模型,为了充分考虑图像的空间信息,本文提出局部空间直方图特征方法。使用图像的局部特征信息,形成包含一定空间关系的局部空间直方图特征,通过SVM训练模型。实验表明,算法可以充分利用未标注样本信息,融合图像的局部空间关系,提高分类器的性能。本文的研究成果丰富了图像分类识别技术及其应用的研究思路,具有一定的理论意义和应用价值,为图像分类识别技术及其应用,提供了有益的方法和手段。