随着大数据时代的到来,海量的图像数据需要被处理。为了挖掘这些图像数据中丰富的可用信息,对图像处理算法的需求也与日俱增。图像分类作为图像处理领域的基础性研究,可以推进计算机视觉与图像处理的整体发展,在各领域有着广泛应用,成为广大图像领域研究人员的研究重点。论文着重介绍了两类图像分类算法。针对小数据量数据来自不同域的问题,设计了基于多核域自适应稀疏表示分类器的方法,使得分类器能够获取源域与目标域共同的信息,从而扩展了域自适应的能力。针对大样本量数据没有对特定领域数据优化的情况,聚焦于地基云图分类,设计了基于深度卷积神经网络的地基云图分类器,解决混合分辨率下地基云图分类精度下降的问题。本文的主要工作如下:(1)在多核稀疏表示分类器中引入域自适应的方法构造了多核域自适应稀疏表示分类器,使得多核稀疏表示分类器能够在不同域上共同学习不同域的数据,并且基于多核域自适应稀疏表示分类器的决策准则,提出了一种基于多核域自适应判别投影方法。通过共同学习来自两个域和通用判别词典的数据投影,以获得投影空间中来自不同域的数据的更好表示。然后提出了一种交替的迭代算法使得上述算法得以实现。并通过实验证明了多核域自适应稀疏表示分类器分类算法的优越性。(2)提出了一种基于深度卷积神经网络的混合分辨率地基云图分类方法,并针对性地建立了混合分辨率地基云图数据集(MGCD)。通过引入批量归一化以及空间金字塔池化方法到VGG网络中,解决地基云图预处理中不同分辨率图像形变导致的分类精度下降问题,同时加速网络模型的收敛,提高泛化能力。在混合数据集中本文所提出的方法达到了平均测试准确率95%,超过现有最新的地基云图分类算法。