随着互联网技术的发展,图像数据越来越庞大,如何高效的处理和利用这些图像数据成为了图像处理领域的重要课题。作为图像处理领域的分支,图像分类技术由于在各个领域都有重要的应用而得到了科研人员的广泛关注。图像分类主要目的是对图像进行合理和快速分类。其中典型的判别模型的图像分类的主要流程包括:底层特征提取、中层语义特征描述、分类器分类等过程。本文为了提升特征描述子的判别性,对底层特征的提取方法进行了相关研究。在图像中往往存在一些例如背景等非兴趣区域,对于这些非兴趣区域,我们可以认为由其进行特征提取所获得的特征并非有效特征。因此本文采用了利用ROI区域提取进行特征提取。此外Bow模型、空间金字塔模型的研究表明对图像的空间信息的表达能有效提高分类效果,本文基于这类研究提出了基于空间SSIM(Structural Similarity)度量的ROI区域提取思想。首先SSIM度量方法是对图像结构相似性的体现,其次引入类似空间金字塔模型的空间层次特性则是对图像空间信息进行表达。综合这两方面考虑,本文提出的方法在保留了原有的Bow模型、SPM(Spatial Pyramid Matching,空间金字塔模型)的特点的基础上,增加了对图像的结构性的表达,同时进一步对图像的空间信息进行了表达,而采用的ROI区域特征提取的方法能去除无效冗余的特征,对分类效果进行进一步提升。为了验证本文方法的有效性,本文与传统方法以及文献[20]的方法进行了对比,实验表明采用本文的方法能得到良好的分类效果。此外为进一步提升分类效果,本文结合了同时具有判别模型与生成模型优点的Fisher Kernel框架,并在PascalVoc2007、Caltech256、Scene15数据库上进行了对比实验,验证了本文方法的有效性。