图像场景分类和显著性检测是计算机视觉和机器人学研究的热点话题。场景分类旨在通过计算机将海量图像数据自动的标注为不同的类别,从而实现图像的自动分类。同时,显著性检测已经成功应用到图像的分类和识别中,受到了越来越多研究者的关注。本文对场景图像显著性区域检测、特征提取和特征编码进行了研究。首先,介绍了构造几何短语和几何短语池化的编码方法为图像建立一个中层的图像表示结构。采用超像素网格划分方法对图像进行分块,与空间金字塔方法相比,超像素网格划分沿着目标的边缘划分,基本上会使同一特征位于同一个网格块中,尽可能保证目标的完整性。通过实验,该方法可以建立局部特征之间的相关性,提高了分类准确率。其次,提出基于边缘图片显著性的混合特征场景分类算法,将原特征和边缘图显著性区域特征融合得到最后的场景图像特征。为了更好的提取出显著性区域,利用图像的上边界作为背景先验,借助于马尔科夫吸收概率计算初始显著图,通过排列图像中每一个超像素节点与上一步得到的图像的前景点之间的关系得到一个效果更好的显著图,最后通过三个优化技巧生成最后的显著图。实验证明该方法提取了更加丰富的特征,提高了分类准确率。再次,采用卷积神经网络对不同的场景图像数据库进行特征提取和分类,同时比较卷积神经网络在室内场景、室外人工场景、室外自然的优越性。通过卷积神经网络对图像数据库自动学习特征,特征提取和分类器是进行联合优化,实验证明卷积神经网络取得了很好的分类准确率,使图像分类任务得到大大的简化。