迄今为止，研究者虽然对图像分类问题进行了大量研究，也取得了一些研究成果，但多数研究工作是基于开放领域的，类别粒度较粗，难以很好地满足特定应用场景下的精细分类需求。相对于传统分类任务，更小的类间差异是特定领域图像分类问题的主要挑战。　　本文选取花卉图像作为精细分类的对象，花卉的低类间差异和高类内差异在精细分类任务中具有很好的代表性。目前关于花卉图像分类的研究工作并不多，主要的成果均出自于牛津大学的VGG小组，与传统的图像分类算法类似，他们的方法同样遵循“先分割后处理”的流程。然而，对于拥有复杂背景的花卉图像而言，精确的图像分割存在困难，因此，我们提出了基于显著图的花卉图像分类方法。本文的主要研究工作如下:　　1)分析了图像分类处理框架和关键处理技术　　在对图像分类技术的研究现状进行分析之后，阐述了图像分类系统的整体框架，重点分析了图像分割、BoW模型以及SVM分类器等图像分类常用技术，其中BoW模型和SVM分类器将应用于我们的花卉分类算法之中。我们在分析了花卉图像分割存在的复杂性之后，给出了基于显著图的花卉图像分类算法的整体框架，从而避免对花卉图像进行分割。　　2)提出了基于显著图的花卉图像特征提取方法　　颜色、纹理以及形状信息是人类区分不同花卉的主要线索。但拥有复杂背景的花卉图像难以获得比较精确的分割结果，这将影响特征提取的效果，尤其是形状特征。因此，我们将显著图引入到花卉图像的特征提取过程，分别提出了基于显著图的颜色特征（颜色直方图）、纹理特征(LBP)以及局部特征(SIFT)的提取算法。与图像分割的背景消除不同，基于显著图的背景抑制策略适用于难以准确分割的场合，其鲁棒性和适应性更强。　　3)设计了面向花卉图像分类的多特征融合方法　　正如人类并不能仅仅依靠颜色或者形状来区分不同种类的花卉，我们的实验表明单一特征并不能很好地区分各种不同的花卉，因此，需要通过多特征融合手段来进一步提高分类精度。本文详细比较了三种不同类型的特征融合策略:基于“特征层融合”的方法、基于“决策层融合”的方法以及基于“核函数组合”的方法，之后基于前章的特征提取技术进行特征融合分类实验，并针对花卉图像进行了融合参数调整以达到最佳的分类效果。实验结果表明，Stacking算法在各种特征组合的情况下均表现出最佳的分类精度。与此同时，我们发现相对于不同的特征融合策略而言，不同的特征组合对于最终分类精度的影响更大。