在大数据时代,人们不再被从何获取资讯所困扰,而是为信息的爆炸性增长感到烦恼。如何从这些数据中挖掘出有价值的、用户感兴趣的信息,是大数据时代人们讨论的焦点。在每日剧增的数据中,图像数据占据了相当大的一部分。图像数据往往比文本含有更多的内容,并且更容易受到人们的关注,更易理解。因此大规模图像处理具有重要的研究意义。大规模图像处理主要包括图像分类、图像检索、目标检测等几个研究方向,这几个研究方向既有所区别又相互关联。图像分类作为计算机视觉领域中的一个基础问题,具有广阔的应用价值,可以应用于目标检测、图像自动标记及图像检索等各种领域。可以预见,在技术的不断发展下,未来大规模图像分类将应用于各个领域,改变人们的生活,具有重要的研究价值和商业价值。然而,由于a)拍照时光照、尺度、视角等的变化;b)物体自身属性的变化；c)不同类图像外观很相似等问题,人们无法简单地从像素角度区别不同类别的图像,而通常需要把图像表示成特征向量再进行分类。近年来,针对基于内容的图像分类问题,人们提出了各种模型,其中BOW模型将图像表示成无序的视觉单词集合,具有简单高效的特点,在图像分类这一问题上取得了非常不错的效果。但是由于大部分基于BOW模型的图像分类算法统计的是整幅图像的特征频率,而没有对特征来自前景或是背景进行区分,导致背景部分提取到的特征为图像分类带来很多的干扰,因此考虑利用视觉注意模型区分前景特征和背景特征,提高分类效果。综上,研究基于BOW和视觉注意模型的图像分类方法具有重要的意义。本文首先对图像分类算法进行了改进,利用视觉注意模型区分特征来自前景或背景,提出一种基于BOW和视觉注意模型的图像分类方法,更加有效地对图像进行表示。同时,基于提出的图像分类思想,在SAR图像舰船检测和图像广告推荐这两个实际应用中,提出基于SEBOW模型的舰船检测算法及基于BOW和视觉注意的图像广告推荐算法。本文的主要贡献如下：(1)针对传统BOW模型没有对特征来自前景或是背景进行区分,背景部分的特征为图像的正确分类带来干扰这一问题,本文提出了一种基于视觉注意模型的图像分类方法,利用视觉注意模型描述图像的前景背景信息,将视觉显著度与局部特征相结合共同表示图像,有效改进分类效果。(2)针对传统设定阈值的舰船检测方法不具有普适性,并且忽略了舰船本身的特征,虚警率高等问题,本文分析不同特征在SAR图像中的分布情况判断特征来自前景或是背景,提出新的SEBOW模型用于表示SAR图像,然后利用基于SEBOW模型的图像分类进行舰船检测。因此普适性更高。(3)针对传统利用文本信息进行图像广告推荐无法准确描述图像的内容,并且忽略了图像中很多重要信息等问题,本文根据图像的BOW表示及视觉显著度等信息判断图像与主题的相似性并进行分类,然后利用原生广告的概念,根据图像内容推荐相关度最高的广告图像,既不影响用户体验,也能提高点击率。