三支概念学习是三支决策、形式概念分析和认知学科的交叉研究领域,如何将三支概念学习理论应用于实际问题,一直是一个有意义且亟待解决的问题。经过研究发现,将三支概念学习应用于图像分类任务,需要解决以下三个问题:1)图像原始数据不符合三支概念学习中所需要的形式背景和补背景的定义;2)三支概念学习如何应对图像集对应形式背景维度较大的问题;3)如何利用三支概念包含的丰富信息进行图像类别判断。针对上述问题,给出基于三支概念渐进式学习的图像分类算法。本文研究内容属于对三支概念学习应用问题的拓展性研究,实验结果表明三支概念学习理论能够应用于图像分类任务中,且能够达到较好的分类效果。主要工作包括:（1）图像全局形式背景及其补背景构建。本文给出图像全局形式背景及其补背景的构造算法（Image Formal Context And Complementary Context Structure,IFCCCS）,利用基于主成分分析的尺度不变特征转换算法（Principal Component Analysis-Scale Invariant Feature Transform,PCA-SIFT）进行图像集合的特征提取;使用K均值聚类算法（K-means）对图像特征向量进行聚类,按聚类中心将其放入不同的词袋中作为图像属性的描述,从而完成图像全局形式背景及其补背景的构建。（2）提出基于三支概念渐进式学习的图像分类算法（Progressive Learning Image Classification based on Three-Way Concept,3WC-PLIC）。主要包括两部分内容,第一部分为基于三支概念的渐进式学习算法,根据渐进式学习、概念共性认知和特性认知等思想,改进现有的模型,通过给定线索进行共性学习和特性学习的操作,最终得到内涵为必要属性和必然属性交集的三支概念粒,从而实现对于对象集的特性认知,给出了具体定义和证明过程;第二部分为基于投票方式的图像类别判断函数,将待分类图片所拥有的属性和最终学习得到的三支概念粒的内涵部分进行赞成率和拒绝率的比较,根据比较结果给出类别判断结果,较好的利用了三支概念包含信息量大的优势。（3）通过实验验证本文所提出的基于三支概念渐进式学习图像分类算法的应用效果,选取公开数据集对本文算法进行准确率统计实验,选取现有的基于概念认知的图像分类算法、决策树算法、贝叶斯算法、空间金字塔模型以及卷积神经网络等分类方法进行对比实验,通过实验结果可知,三支概念学习理论能够应用于图像分类任务,且可以取得较好的分类效果。本文针对三支概念学习应用于图像分类任务的问题,提出了一种基于三支概念渐进式学习的图像分类算法,通过实验验证了三支概念学习理论能够应用于图像分类任务中。本文工作是对三支概念学习应用问题的扩展性研究。