近年来,支持向量机作为一种常用的、性能优良的分类器,在图像分类领域得到了广泛的应用。同时,支持向量机的参数优化问题一直是个难点,参数选取对于SVM的分类性能有较大影响。粒子群优化算法作为一种群体智能优化算法,对于参数寻优有很好的效果。本文主要从支持向量机的分类速度、粒子群算法的寻优能力以及图像分类性能三个方面进行研究,研究内容如下:1.提出了一种快速交叉核支持向量机算法,它采用变换交叉核函数的计算方法将预测时的分类时间复杂度从O(m?n)降低为O(n?logm)。2.针对粒子群算法的“早熟收敛”问题,分析了其陷入局部最优的原因,提出了一种变异粒子群算法,使粒子在迭代过程中以一定概率随机变异,增强了粒子在迭代末期的全局搜索能力,防止“早熟收敛”。3.受量子粒子群算法的启发,讨论了量子粒子群算法性能优越的原因及其存在的问题,提出了一种基于正态分布的粒子群算法。在粒子速度更新中,加入正态分布函数,使得粒子的速度分布服从正态分布,相比于量子粒子群算法粒子分布更加合理。在标准测试函数中,本文算法取得了较好的效果,在优化支持向量机的参数实验中结合粒子群变异算法,得到了远高于标准粒子群算法和量子粒子群算法收敛速度及收敛能力。4.在不平衡数据的图像分类问题中,使用支持向量机对少数类的分类预测准确率很低。本文运用加权支持向量机(快速交叉核)来提高分类性能,同时使用本文提出的改进的粒子群算法来解决由此带来的优化参数过多的问题。该算法在Caltech 101、Pascal Voc2007等数据集上分别进行了实验,实验结果显示,本文的算法比其他传统、经典的方法有较显著的提高。