如何合理而又高效地组织图像数据、并结合图像底层特征，将人工智能及知识发现等技术运用于图像分类中，是计算机视觉研究领域的一个热点问题。本文在利用计算机视觉观察和理解世界、并以某种程度的智能完成特定任务的研究中做了一些基础工作，对图像特征提取、分类特征选择及分类规则提取等理论和方法进行了研究，促进了图像分类技术与机器视觉、数据库及知识发现等技术的结合。本文所做的研究工作包括以下几个方面：图像分类中需要选取出具有平移、缩放和旋转不变性的特征，本文首先描述了一些常用的图像颜色、纹理和形状特征，并对这些特征进行了分析然后，分析了决策树算法中的两种分类特征选择标准，提出了基于类间特征整体分布关系的特征选择标准。通过基于类间差异的分类误差定义，给出了若干分类特征相关的概念定义，为后续决策树构建研究建立理论基础。提出了基于样本整体分布的决策树生成算法，并对算法进行了性能分析和优化，同时也讨论了多类对象数目的增减对决策树的影响。接着分析了特征空间中不同区域内的分类规则，通过在决策树的构建过程中引入先验知识，提出了带误差权值的决策树、以及建立在其基础之上的分类规则提取方法。最后，通过实验对本文提出的分类方法进行验证，并结合实验结果评价了分类算法的错误率、精度和可理解性。