随着多媒体技术和计算机网络的发展,大规模的数字图像资源和数据涌入互联网,它们和人们的日常生活息息相关。关于如何有效地组织、管理和利用丰富的图像资源的研究,对于未来的数字服务具有重要的理论意义和应用价值。图像分类旨在将原本无序分布的大批量的图像数据进行有序地归类。融合机器学习、人工智能等学科的先进思想和理论,寻找一种快速而有效的图像分类方法已成为当前计算机视觉、模式识别和图像处理等领域研究的一个热点。本文通过对量子行为粒子群算法以及图像分类的现状进行研究,主要做了以下相关工作：首先,本文提出了一种自适应量子行为粒子群算法,它基于量子行为粒子群算法,根据进化过程中的群体多样性程度来自适应地调整进化策略,保持群体的活力,在一定程度上克服了量子行为粒子群算法陷入局部最优值的缺陷。通过在标准函数集上进行测试,取得了良好的效果。其次,本文提出了一种基于自适应量子行为粒子群算法和支持向量机的混合图像分类算法,将自适应量子行为粒子群算法用于同步优化图像特征子集和参数选择,解决了训练支持向量机分类器时必须同时优化特征子集和参数设置的问题。本文研究的目的是在不降低支持向量机分类器性能的前提下,尽可能地选择最小的有用的图像特征子集和合适的参数。通过在真实图像数据集上测试,实验结果表明,本文提出的混合图像分类算法具有良好的性能,是一种有效的方法。