图像识别，是图像处理与计算机视觉领域的一个重点研究问题，可以解决卫星遥感，航空航天，生物医学等方面的不同模式的目标和对象的识别问题。当前的图像识别研究中存在两个问题:首先传统的图像子分类识别过程中由于子类对象之间的相似性，需要研究不同特征在图像子分类所起到的不同作用，提高图像子分类识别的效果。其次图像识别需要构建精确的视觉词典，以达到提高图像识别效果的目的。现有的视觉词典同样忽视了不同特征对视觉词典构建过程的影响，最终影响了图像识别的效果。　　 综上，本文采用D-S证据融合理论研究解决以上两个问题。出于D-S证据理论研究结合一个事件的不同证据信息来计算这个事件发生的概率，能够处理被忽略或者丢失的信息，提供不同信息源之间信息的不精确性和冲突估计。因此采用D-S证据理论能够融合不同特征的信息，提高图像子分类识别效果和构建精确的视觉词典。本文所做主要工作如下:　　 1.介绍了图像识别的基本概念，当前图像识别方法中存在的问题和国内外的研究成果。解释了D-S证据理论以及相关理论。　　 2.提出一种基于D-S证据理论融合算法的创新性图像子类分类识别方法，该方法考虑到了在有限的样本下不同特征对图像子类分类识别的贡献度，使拥有更多信息的特征在分类过程中能起到更大的作用。在车辆图像集上所做实验表明，本方法在分类效果上优于K近邻实现分类的方法。　　 3.提出了一种基于多特征证据融合的视觉词典构建创新性算法，该算法应用证据理论融合不同特征的视觉相似性，对不同类别图像特征混杂的视觉单词实现再次拆分，从而构造了更加精确的视觉词典。在Caltech-256数据集上，使用支持向量机分类器与朴素贝叶斯分类器取得的分类实验结果表明，应用本方法构建的视觉字典能有效提高视觉词典的精确度，分类效果得到了很大的提高。