随着互联网技术的迅猛发展和普及,网络中的图像数据呈几何级增长。面对如此大量的图像资源,如何快速而有效地对其进行监督和管理已成为研究的热点。而解决此类问题的重要途径就是场景分类技术。场景分类旨在通过计算机将海量图像数据自动地标注为不同的类别,从而实现图像的自动分类。它能够克服人工分类中的工作量大、效率低、成本高、疲劳和容易误判等难题,具有重要的研究价值。场景分类的核心问题是如何利用低层特征得到图像的类别信息,而提取图像的局部特征是解决这个问题的一个重要研究突破口。紧紧围绕场景分类的目的,本文将基于局部特征提取的场景分类算法作为主要研究内容,分别研究了局部特征提取算法和特征编码算法。本文的研究工作主要集中在以下四个方面:1.研究了密集SIFT特征提取算法,针对特征向量缺少旋转不变性的问题进行了改进。首先,计算多个方向的梯度响应,然后寻找主方向,再对特征描述子进行方向归一化,使最终得到的特征描述子具有了一定的旋转不变性,提高了特征提取算法的鲁棒性。2.研究了协方差矩阵特征提取算法,针对其计算量较大的问题,在结合了密集网格采样框架之后,对其进行了改进。在图像上划分密集的网格,然后分别计算协方差矩阵特征描述子。在减少了计算量的同时,又保证了提取特征的准确性,提高了算法的性能。3.研究了局部约束线性编码算法,针对其编码过程中码本映射存在模糊性的问题进行了改进。在编码过程中加入了判别准则阈值,使编码算法有一定的自适应性。改进后的算法使码本能够更加准确地重建特征向量,在提高分类性能的同时,又缩短了编码时间。4.利用改进后的特征提取算法和特征编码算法设计了两种场景分类算法:基于改进局部特征线性编码的场景分类算法和基于关键点辅助线性编码的场景分类算法。这两种算法都取得了很好的分类效果。实验是在Matlab平台下进行的,并选用15-类场景数据集合8-类场景数据集作为实验数据的来源。