随着互联网的发展，越来越多的水墨画出现在网络中。如何方便的检索和分类水墨画成为近年来科学研究的热点。由于中国画不同于西方的艺术，其形成借助于毛笔、墨汁、水和色彩。墨色的浓淡变化完全可由笔道的灰度变化来表达。且中国画通常是以笔画勾出轮廓、质感、体积来代表某位艺术家的风格，主要是以线为造型基础，而西方画强调用光表现物体神态活现。这就使中西绘画在造型手段上有明显分别。因此，一些已有的针对西方画的研究不能直接用于水墨画的分析。此外，由于水墨画不用色或少用色，大多没有丰富的色彩表现，故一些已有的基于颜色的特征提取和分类算法，也不适合水墨画的研究。本文在学习国内外前沿研究成果的基础上，对图像艺术风格分类中的一些关键技术和主要算法做了深入的研究，提出了适用于水墨画艺术风格分类的理论和技术框架，其思想和方法在设计开发的水墨画图像分类系统中得到了体现。首先在像素域内，提出一种基于直方图的水墨画整体风格特征提取算法，然后基于Sobel边缘检测方法定位最具有笔道风格代表性的局部区域，以获得描述笔画的局部细节风格信息。为了兼顾水墨画的整体和局部艺术风格，提出基于信息熵的融合算法，该算法被视为一个指针，保证了最终的分类结果倾向于选取熵最小的艺术风格特征，以达到最大限度基于艺术风格而剔除内容因素影响的水墨画自动分类。其次在小波域内，提出一种利用三层小波变换来提取图像艺术风格特征的算法。与目前现有的工作相比，该算法具有在变换域内利用不同分辨率及频带的图像结构所展现的艺术风格的不同表现形式，来获得有关水墨画艺术深度信息的优点。从而能够在分类不同的画家所表现出来的风格迥异时，取得一定的优势。与此同时，该部分的研究工作也为不同信号域内对水墨画的艺术风格分析，提供了第一手资料，为进一步在压缩域内作直接的水墨画分析，铺平了道路。最后在引入一类支持向量机的基础上，进一步提出自适应选取决策参数的新概念，将一类支持向量机作进一步的改造，构成并行处理的多元支持向量机结构。利用它们在检测“噪声点”（outlier）的优势上加入指导性学习的元素，使其分类效果达到最佳。同时，还基于统计特征引入一种增强性的学习方案，通过与用户的互动选择和纠正误判的办法，使所设计的并行支持向量机能够取得最优的分类效果。从而为针对水墨画的艺术特性，如落笔收笔的绘画技巧等，所提出的一系列新的图像特征准备了充分且有效的机器学习工具。实验证明了优化后的并行支持向量机在水墨画的分类中还具有一定的鲁棒性。