近年来，随着计算机技术的发展更新以及图像数据库的日益增多，如何从中快速提取视觉信息越来越受到人们的重视，对图像数据库的分类和检索成为获取图像信息的重要研究问题之一。而图像分类能够减小图像检索范围，使检索效果更加明显，因此图像分类有着极其重要的实用价值。图像分类的研究主要集中在以下两个问题：图像特征的提取和利用学习器对特征进行分类。图像的纹理特征具有旋转不变性，而图像的颜色特征具有较强的鲁棒性，它们是图像中较为重要的两种底层特征。Gabor小波变换是在Fourier分析的基础之上发展起来的具有较好的信号和图像处理的方法，它在图像的纹理特征提取中能够达到较好的效果，计算也较为简便。支持向量机（SupportVector Machine，SVM）是一种基于统计学理论的一种学习机器。它能够将原样本空间中的非线性可分问题，并进一步在线性可分的特征空间中进行分类研究。本文主要基于Gabor小波和SVM完成了两个工作：一是提出了一种彩色Gabor纹理特征和SVM的图像分类方法，在特征提取部分避免了部分颜色纹理的丢失。Gabor小波在对纹理灰度图像特征提取中有较好的表现，然而对于彩色自然图像中的纹理特征提取则容易丢失部分彩色信息，而在图像的RGB三通道中分别提取纹理特征，形成彩色图像的伪彩色纹理特征，用于分类，则能够保留部分彩色图像的彩色信息。利用SVM对自然图像库Corel1000图像库进行学习、分类、实验对比，验证了本文所提方法对自然图像有较好的分类效果。二是提出了一种基于多特征融合和SVM的智能图像分类算法。对于一幅自然图像，其单一的底层特征往往不能较为全面的表示图像的信息，本文先利用每个单独的底层特征训练出一个SVM分类器，然后用粒子群优化（Particle SwarmOptimization，PSO）来确定每个分类器的权重，找到最优的参数设置，最后进行投票，对彩色图像进行分类。通过对自然图像库Corel1000图像库进行实验对比，验证了本文所提的基于多特征融合和SVM的算法对自然图像有较好的分类效果。