利用主题模型来对实际的图像进行分类是实现图像分类的一个重要手段，但在已有的工作中，要么使用图像特征利用有监督主题模型进行分类，要么先使用图像特征学习主题特征后，再通过分类器进行分类，然而这些工作仅仅利用了图像特征。　　本文在分析总结已有工作的基础上，为了进一步提高分类的准确率，本文尝试将图像特征与文本特征结合到了一起，再学习其主题特征，最后使用支持向量机进行分类。基于两个经典的主题模型，本文提出了两个多特征分类框架，主要研究工作和贡献如下：　　1、提出了基于LDA模型的图像分类框架。首先提取了每一幅图片的图像特征与文本特征，再通过算法将两种特征结合在一起；其次利用LDA模型学习主题特征；最后，由于LDA模型学习的主题特征，使用支持向量机来实现对图像的分类。在LableMe和UIUC-Sport两个真实数据集上的实验结果表明，此分类框架提高了分类的准确率。　　2、提出了基于sLDA模型的图像分类框架。考虑到LDA模型学习的特征一般不适于分类，因而在基于LDA模型的图像分类框架基础上，引入sLDA模型来进一步提高对图像的分类准确率。该框架也是将提取到的图像特征与文本特征融合在一起；其次，利用sLDA模型来学习适于分类的主题特征；最后，通过支持向量机来对sLDA模型学习的主题特征进行分类。在LableMe和UIUC-Sport两个真实数据集上的实验结果表明，此框架与基于LDA模型的图像分类框架和sLDA方法相比分类准确率都高，进一步说明了此框架的合理性。　　本文提出了两个基于主题模型的图像分类框架。分别是基于LDA模型的图像分类框架和基于sLDA模型的图像分类框架。两个真实数据集上的实验表明，本文的方法相比现有方法的图像分类的准确率有较为明显的提高，获得了更好的效果。