图像自动分类是计算机视觉领域的一个研究热点。图像分类的关键技术在于特征提取和基于特征的分类。近年来，局部特征描述凭借其出色的稳定性和可区分性，受到越来越多学者的重视，并且成功地应用于计算机视觉的多种应用中。在利用局部特征对图像描述时，每幅图像被分解成很多部分，每个部分对应一个特征向量。这样区别于全局特征描述每幅图像对应一令特征向量，利用局部特征描述时每幅图像对应一个特征向量集合。然而，由于传统的相似度度量以及分类算法都是基于全局特征设计的，因此，在我们对基于局部特征描述的图像进行分类时，存在着很多的问题和挑战。例如：如何度量两个特征向量集合之间的相似度，如何将传统的学习算法应用于局部特征描述的图像分类等等。 本文从局部特征出发，分别对局部特征的提取方法以及基于局部特征的图像分类方法进行研究和讨论，并将局部特征应用于遥感图像的目标定位中。本文的主要工作和贡献包含以下几个方面： 1.对目前主要的基于局部特征学习分类的算法进行了研究，针对传统基于“词袋”的图像分类算法中的不足，本文进行了一系列的改进。在训练的过程中，我们采用TF-IDF算法结合“区分度”函数对“词典”中的每个“单词”进行加权，以区分每个“单词”在图像分类中的作用；此外，本文采用改进的层次化k-means聚类算法代替传统的k-means聚类，以提高学习速度。建立遥感图像目标数据库，并将基于“词袋”的图像分类算法应用遥感图像分类。 2.将局部特征应用于遥感图像领域。针对遥感图像中的目标定位，提出了基于局部特征分类的目标定位框架流程。首先采用快速的显著性区域提取算法，去除大面积背景区域，提取感兴趣目标候选区域；然后对于提取出来的感兴趣目标候选区域进行局部特征提取；最后将候选区域作为测试图像进行基于局部特征的图像分类，从而实现感兴趣目标定位。由于该流程采用了快速的显著性区域提取方法提取目标候选区域，并利用基于局部特征的图像分类对候选区域进行进一步的分类判别，从而实现了定位精度和定位速度上的兼顾。 3.针对遥感图像的目标定位，提出了一种快速的显著性区域提取方法。首先通过定义自相似特征来反映栅格区域与周围邻域区域的相似程度。对于与周围邻域相似的栅格区域，认为该区域为背景区域；反之，对于与周围邻域存在较大差异的栅格区域，则认为可能包含感兴趣的目标。然后，基于自相似特征，利用大津算法(OSTU)自动的从全图中挑选出一部分显著性区域作为目标候选区域，以待进一步分析验证。实验证明，本文所设计的显著性区域提取算法具有较好有效性和较低的计算复杂度，能够在较短的时间内实现候选目标区域的提取。