自然图像分类在大量领域中都是一项关键任务,包括图像情报、网络图像检索、视频分析、因特网数据过滤等等,具有广阔的应用前景。随着互联网的快速发展,数字图像的数量正成爆炸式增长,如何实现快速高效的自然图像分类成为一个具有重要现实意义的课题。目前关于图像分类的研究主要体现在以下两个方向：一是应用新的分类理论；二是从图像中提取新信息和新特征进行分类。本文针对这两个方向展开研究,主要工作内容和成果体现如下：(1)提出了一种新的基于人工免疫系统的图像分类算法。该算法在克隆选择算法的基础上引入能有效减少抗体冗余的抗原一次性提呈的刺激方式,并重新制定了抗体识别抗原的规则。当所有抗原刺激完毕后,选择优良抗体进行克隆变异。算法在选择机制中增加了基于抗体浓度的概率因子,同时改进了克隆变异率的自适应性和变异方式,提高了算法的最优解搜索能力。自然图像的分类实验表明,新算法具有较短的寻优时间和较高的平均分类精度。(2)提出了一种基于信息熵的颜色空间分布特征。该方法首先计算图像的全局颜色直方图；然后对图像进行不均匀分块并统计每种颜色在各分块中的分布,依据视觉特性和信息熵的对称性特点,提出了以加权分布熵作为分类判断的另一特征。本文分析了权值最优选择问题,并证明该方法计算复杂度低。基于本文所提出的人工免疫分类算法进行分类表明,该特征能有效弥补全局直方图无法描述颜色分布特征的缺陷；通过采用分块加权消除了熵对称性的影响,分类表现明显优于未加权的分布熵。