在现代化生产过程中,一些自动化程度较低的生产厂家,木材分类的大部分工作是人工完成的,普遍存在分类精度不高和效率低下的问题。为了提高市场上常见的木材分类的分类准确率,文章引入了一种在图像分类领域,发展快速并且分类效果较好的词袋模型,用此模型解决木材分类的问题。同时,将直方图交叉核和空间金字塔匹配引入到词袋模型中,以词袋模型和直方图交叉核、空间金字塔匹配的遍历组合,即词袋模型(BOW)、基于直方图交叉核的词袋模型(BOW-H)、基于空间金字塔匹配的词袋模型(BOW-P)、基于空间金字塔匹配和直方图交叉核的词袋模型(BOW-HP)共四种分类方法进行分类测试。用以上方法与BP神经网络和K-近邻的分类方法作比较,相同实验环境下得到的实验数据进行对比分析。东北五种常见树木即白桦径切(bh-r)、白桦弦切(bh-t)、红松径切(hs-r)、红松弦切(hs-t)、落叶松径切(lys-r)、落叶松弦切(lys-t)、水曲柳径切(sql-r)、水曲柳弦切(sql-t)、柞木径切(zm-r)、柞木弦切(zm-t)共十类图像,每类100幅,共1000幅图像作为样本。利用SIFT算法提取图像特征,用K-means聚类算法进行聚类,词袋模型及其改进方法进行木材分类的准确率很高。相同实验环境下,高于BP神经网络和K-近邻的分类准确率。表明将词袋模型及其改进算法引入到木材分类中,是行之有效的办法。