随着数字图像数据的快速增长，让计算机自动理解图像成为越来越迫切的需求，作为图像理解的重要研究内容，图像分类识别（主要包括场景分类与目标识别）得到了广泛关注，是当前计算机视觉领域的研究热点。图像分类识别在计算机视觉的许多领域有着广泛应用，如基于内容的图像检索、遥感图像分析、智能视频监控和机器人定位导航等。经过几十年的发展，尽管图像分类识别研究已取得许多令人鼓舞的成果，但由于问题本身的复杂性，其仍然是一个极具挑战性的问题。本文针对图像分类识别，重点研究了局部特征描述及其在图像分类识别中的应用、基于低层特征建模的场景分类方法、基于局部特征建模的图像分类识别方法（包括场景分类、目标识别、纹理识别和行为识别等）、显著性目标检测等。本文开展的工作和取得的成果主要有以下几方面：（1） GBPWHGO与GLID两种图像局部特征描述方法。本文针对场景分类和目标识别的特点，分别提出GBPWHGO和GLID两种图像局部特征描述子。GBPWHGO描述子主要针对场景分类，根据场景分类的特点，其主要强调在场景分类过程中特征描述向量的判别性，以及对场景的全局表示。实验结果表明，GBPWHGO描述子在场景分类中的性能优于SIFT、LBP和Gist等描述子。GLID描述子主要针对目标识别过程中的尺度变化、视角变化、旋转变化等影响，在一定程度上弥补这些变化对于目标识别的影响。因此，GLID描述子强调对图像局部特征的不变描述，其对尺度、旋转变化具有较强的不变性，并对仿射变化具有一定的鲁棒性。实验结果表明，GLID描述子在场景分类和目标识别中的性能优于SIFT和LBP等描述子。（2）基于低层特征建模的自然场景分类方法。当前，针对场景分类问题，主要有基于低层特征建模和基于语义特征建模两类方法。前一类方法算法简单、计算量小，但一般适应于较少类别场景的分类，且分类性能较差。后一类方法适用于大量场景类别间的分类，且分类性能较好，但计算量大、所需的存储空间和内存消耗大。针对上述情况，本文提出一种新的场景分类方法，该方法属于基于低层特征建模方法的范畴，有着基于低层特征建模方法的优点，然而解决了基于低层特征建模方法的缺点、同时具备基于低层特征建模和基于语义特征建模两类方法的优点：算法简单、计算量小、所需的存储空间和内存消耗小、适应于大量场景类别之间的分类且分类性能好。通过结合GBPWHGO描述子，本文提出的基于低层特征建模的自然场景分类方法，在多个场景分类数据库上获得当前最好的分类结果。（3）基于局部特征建模的图像分类识别方法。当前，基于局部特征建模的图像分类识别，最常用的方法是“特征袋”方法和“空间金字塔匹配”方法。“特征袋”方法将图像表示成局部特征的无序集合，忽略了图像各部分间的空间位置关系。“空间金字塔匹配”方法通过将图像由粗到细划分为多个子区域，求取各子区域的特征直方图，在一定程度上利用了图像的空间信息。本文针对“空间金字塔匹配”方法，在图像局部特征提取及空间信息表达方面作了一些有效改进：本文采用多分辨率多尺度的局部特征提取方式，提取的局部特征具有更强的判别性，且对尺度变化具有更强的鲁棒性；在空间信息表达方面，不同于以往常用的均匀网格图像划分方式，本文采用水平、垂直的图像划分方式。实验结果表明，改进后的方法图像分类识别性能有了较大提升。（4）显著性目标检测。本文采用图像的颜色信息，提出一种基于全局颜色对比度的显著性目标检测方法。该方法能够计算输入图像的显著性图（Saliency map），并自动检测图像中的显著性目标，其对图像分类识别、目标检测、对感兴趣目标的分割等计算机视觉方面的应用具有重要意义。