场景分类是机器视觉的一个重要分支,为行为识别、目标检测等领域提供一定的先验信息,其在大型数据库的图像视频检索、智能机器人和智能安防等领域应用广泛。由于场景图像一般较为复杂,类间相似性以及类内易混淆等问题仍然是目前一个需要待解决的难题。本文对RGB-D室内场景识别和自然场景识别进行相关研究,提出了基于改进SIFT特征和深度网络的室内RGB-D场景分类算法以及基于ROI的局部特征与全局特征融合网络的自然场景分类算法,本文的主要工作如下:(1)基于改进SIFT特征和深度网络的室内RGB-D场景分类算法。该算法提取了改进的SIFT特征、高层语义特征和深度直方图特征。其中改进SIFT特征是将SIFT特征点与Canny边缘点的欧式距离加权输入随机森林进行筛选,得到边缘效应小的SIFT特征;高层语义特征是利用基于Res Net的卷积神经网络提取得到的;深度直方图特征是利用直方图描述图像深度信息的特征。将改进的SIFT特征、高层语义特征和加权的深度直方图特征串联融合得到RGB-D场景特征,利用Soft Max分类器进行分类。(2)基于ROI的局部特征与全局特征融合网络的自然场景分类算法。首先根据感兴趣区域的物体类别对场景分类的贡献度对感兴趣区域进行排序,然后选择对场景分类贡献度大的感兴趣区域,提取其周围的局部特征,与原图一起输入到基于BN＿Inception的双网络模型中,将局部特征根据贡献度加权与全局特征融合,最后利用Soft Max分类器进行自然场景分类。本文对所提出的室内RGB-D场景分类算法和自然场景分类算法分别在NYUD v2数据集和MIT-67数据集及Scene-15数据集上进行实验,结果表明与目前主流的基于手工特征的分类算法和基于深度学习的分类算法相比,本文提出的两种算法识别率均有一定提升,且具有很好的鲁棒性,一定程度上解决了SIFT特征的边缘效应、卷积神经网络缺失图像底层特征以及目前局部特征提取具有随机性的问题。