图像分类是指将图像自动识别到不同语义类别或是预先设定的不同图像类别中。随着多媒体技术的成熟运用，图像自动分类在图像检索、视频分类、网络信息过滤、遥感系统定位、可视场景目标跟踪等应用领域都成为一项关键任务。随之，许多分类和图像特征描述技术也得到了长足的发展。继人工神经网络之后，支持向量机（SVM，Support Vector Machine）成为机器学习领域的一种十分有效和流行的方法，并在图像识别分类方面得到广泛应用。目前基于支持向量机的图像分类的实现前提是数字图像特征提取，其中使用较为频繁的图像特征包括颜色特征、纹理特征、形状特征及空间关系特征。为了拉近图像的高层语义与底层语义的距离，则需要将组织图像特征的方法用于分类器的训练、学习。同时为了改进支持向量机分类器在图像分类中的应用效果，还可对支持向量机的核函数及核参数进行优化研究。本文首先分析了国内外相关课题的研究动态；其次简述了SVM的图像分类实现流程，详细研究了各类图像特征及目前广泛应用中的特征提取方法；再次通过对SVM分类器的常用核函数算法及核参数选择方法的研究，为加强分类器的分类性能而提出优化选择SVM分类器核函数、核参数的方法，同时使用高效的图像特征提取组织方法与之匹配以克服传统核函数较少融合先验知识的弱点；接着将标准图像数据库Caltech-101、Caltech-256作为分类样本在Matlab平台上对所提出的支持向量机优化方法进行实验对比、分析，验证其中提到的优化方法的有效性；最后总结了本文的主要工作并对支持向量机及图像分类的应用进行展望。