随着数码设备、网络及多媒体技术的发展,人们在工作、学习和日常生活中产生的图像数据呈现了爆炸式的增长方式,如何合理而又高效地组织海量的图像数据、结合图像低层特征,将数字图像进行分类和检索是目前的一个研究热点之一。支持向量机(Support Vector Machine,SVM)是上世纪九十年代提出的一种基于小样本的新的统计学习方法,较好地解决了非线性、高维数、局部极小点等实际问题。由于其具有全局最优、结构简单、推广能力强等优点,支持向量机被认为是一种高效的有优越表现的分类器,因此基于SVM的图像分类成为图像分类的重要理论和技术。本文所做的研究工作主要包括以下几方面:1.鉴于单一视觉特征不能很好地表达图像内容,提取了融合颜色、纹理、空间关系的综合特征作为SVM的输入向量。2.结合结构风险最小化原则分析了误差惩罚参数C和高斯核宽度s对SVM性能的影响,在此基础上提出了基于遗传算法的SVM参数优选方法,实验结果表明由该方法所得参数确定的SVM具有较优的识别率和较简单的结构。3.总结了目前存在的基于支持向量机的各类主要分类方法,包括“一对多”方法、“一对一”方法、决策有向无环图方法、基于二叉树的支持向量机多类分类方法和其它几种方法,比较了他们的优缺点以及性能。接下来本文提出了基于GA(遗传算法)和KNN(K近邻)的SVM多类分类算法,训练时利用遗传算法对SVM分类树结构进行优化,生成最优(较优)分类树;在分类时,对于分类树下层可分性差的类别,采用SVM与KNN相结合的方法进行判别。实验表明,与传统方法相比,本文提出的方法分类精度更高,生成的分类树结构更合理。