随着互联网上数字视频和图像的不断增加,用人工的方式逐一浏览并标注它们的内容变得不切实际。为了更好地管理和利用这些图像和视频,自动地图像分类成为当前的一个研究热点。由于语义鸿沟的存在,图像分类也是计算机视觉领域中的一个研究难点。　　 本文从图像内容的描述出发,对一般的图像分类问题和对象类图像分类问题分别展开了研究。一方面,针对一般的图像分类问题,我们提出了多层次的图像内容描述方法。通过迭代的分割方式,可以将图像分割成多层次的区域结构。进一步地,我们通过类似词袋特征的方法得到多层次的图像内容描述。这种描述方法相对于传统的图像内容描述方法具有如下优点:1、根据图像分割结果描述了图像不同层次的内容;2、通过较高层次区域的内容间接表现了较低层次区域间的位置关系。实验结果表明,图像多层次内容的描述可以有效地提高图像分类的效果。我们的方法在COREL数据集上和现有方法相比取得了更好的分类结果。　　 另一方面,针对对象类图像分类问题,我们提出了基于定位的图像内容描述方法。基于定位的图像内容描述方法可以减少背景因素的影响,并突出对象本身的特征。同时,我们提出了一种新的对象定位方法。首先通过监督学习得到多层次分割区域属于指定对象的概率模型,定位时用区域概率投票得到图像中每个像素属于指定对象的概率。这种方法和现有的对象定位方法相比具有如下优点:1、比穷举搜索的定位方法时间效率更高;2、对视角变化具有较强的鲁棒性;3、对图像分割结果具有较强的鲁棒性。实验结果表明,基于定位的图像内容描述方法可以有效地提高对象类图像的分类效果。我们的方法在Caltech-101数据集上和现有方法相比取得了更好的分类结果。