随着科技的飞速发展,互联网技术的进步,计算机软件及硬件技术都得到了迅猛发展,在这样的时代背景下,人工智能和机器学习算法都得到了极大发展。图像分类一直是人工智能领域的基本问题,也是人脸识别,车牌识别和网络图像管理等其他高级视觉任务的基础。因此,鉴于图像分类问题在计算机视觉领域具有非常重要的地位,研究具有鲁棒性和准确性的图像分类算法具有重要的理论和实际意义。目前图像分类仍然存在着诸多问题,诸如非刚体物体的不规则变化、图像视角变化、尺度变化、光照变化以及被遮挡等,这些问题都会给图像分类带来了挑战。经过了几十年的发展,研究者已经开发了大量图像分类的算法,它们大致分为两大类:基于传统机器学习的图像分类算法,如基于词袋模型的图像分类方法,基于空间金字塔的图像分类方法以及基于图表示的图像分类方法等,这类方法有明确的理论解释和证明,且算法的复杂度相对较低,但是精度还有待提高。另一类为基于深度学习的图像分类算法,如卷积神经网络、残差网络等,这类方法的优点是通过深度网络提取图像特征,能胜任大规模的图像分类任务,缺点是模型需要大量的数据进行训练,且网络需要对大量的参数进行优化。本文针对小样本图像集的分类进行了研究,主要做出了以下贡献:(1)空间金字塔匹配方法已被广泛应用于场景识别和图像检索领域,它将图像分割成一系列子区域并分别统计子区域内的局部特征。但是,空间金字塔匹配方法并没有刻画图像局部特征的空间关系。为了在不同尺度下表征图像局部特征的空间关联性,本文构建包含词袋标签的图像多尺度属性图,计算任意两个图像区域对应属性图的距离,并且找到最优匹配。然后将不同尺度下属性图的距离进行池化,构建图像分类的核矩阵。在Caltech 101、Caltech 256、Scene Categories和Six Actions四个数据集上与五种方法进行了小样本训练集情况下的对比实验,实验结果证明了该方法在处理图像分类问题时的有效性。(2)给出了一种基于快速和精炼的多尺度属性图核的图像分类方法。首先利用PCA引导的K-means方法对图像特征进行聚类,构建词汇树并将其作为多尺度属性图的标签,然后将多尺度属性图中第0层的属性图进行精炼,得到精炼的属性图,然后针对第一层及以上的尺度,计算任意两个图像区域对应属性图的距离,并且找到最优匹配,并将不同尺度下属性图的距离进行池化,构建核矩阵。该方法优化了多尺度属性图核方法的计算复杂度,在四个公共数据集上对六种不同的图像分类算法进行对比实验,实验结果表明该方法在处理图像分类时的准确度和时间复杂度上取得了较好的效果。