图像分类作为计算机视觉的一个重要分支,已经广泛应用于多种生活场景中。随着互联网技术的快速发展,网络数据愈发多样化,图像内容和规模的复杂化使得图像分类技术面临着巨大的挑战。因此如何高效提取图像特征并设计合理的分类器以提高分类精度,已经成为图像分类领域的热点研究课题。本文针对图像分类进行的工作如下,提出基于多分辨率LNIP的纹理特征描述子和基于局部相对颜色矢量角模式的颜色特征描述子。纹理特征提取中,首先对图像进行小波分解获得图像的多尺度信息,然后利用局部邻域增强模式提取多尺度图像子块的特征;颜色特征提取中,首先对图像的颜色空间单道色进行两两组合获得矢量信息,然后构建局部相对颜色矢量角提取颜色特征。在Corel-1K数据集上进行仿真实验,提出的两种特征描述子在DBN分类器中的分类精度达到83.4%和83.6%,在同一分类器下与其他特征描述子分类结果相比有较大的提升。Adaboost作为一种集成算法能够和多个同质分类器构成强分类模型,提高分类精度。在分类算法设计中,本文针对Adaboost算法要求基分类器分类精度较高的缺点对其进行改进,并以DBN作为基分类器设计了单输入Adaboost-DBN分类算法,算法的输入为纹理特征和颜色特征的串联。此外,本文对传统的Adaboost算法的结构进行改进,并重新设置了样本权重更新公式和强分类器输出公式,提出了二输入Adaboost-DBN分类算法。将纹理特征和颜色特征按并行输入到算法中进行训练,通过两种特征输出结果之间的相互反馈调整错误分类的样本,提高算法的学习能力。在Corel-1K数据集进行仿真实验,本文提出的两种集成算法分类精度达到84%和85.2%。本文算法与其他算法的分类结果进行比较,实验表明本文提出的算法更优。