随着数字成像技术的快速发展,数字图像呈现海量式增长。如何实现快捷、高效的图像组织和检索成为颇具价值的研究课题。目前面向语义提取的图像分类技术面临诸多挑战,如何构建高效的图像分类方法仍是一个值得深入研究的问题。本文围绕语义提取需求背景下的图像分类研究这一主题展开,论文的主要工作如下：(1)概述了图像特征提取方法和分类方法研究现状,分析了当前图像分类面临的问题。探讨了基于概率潜在语义分析(probabilistic Latent Semantic Analysis, pLSA)的图像分类机制。(2)由于传统的pLSA模型无法获得图像的空间潜在语义信息,并且没有考虑潜在主题间的判别性信息。因此,设计了一种基于多尺度空间判别性pLSA的图像分类方法。首先利用空间金字塔思想对图像进行多尺度划分并结合pLSA获得每个局部区域潜在语义信息；之后再结合提出的权值学习方法来学习不同图像主题间的判别信息；最后结合支持向量机(Support Vector Machine, SVM)实现分类。实验表明了空间语义信息和判别性信息在图像分类中的重要性,验证了其有效性和鲁棒性。(3)针对传统潜在语义分析方法中的共生矩阵具有较大的量化误差,且此方法无法获得图像空间语义信息。设计出了一种稀疏编码多尺度空间潜在语义分析的图像分类方法。通过对图像多尺度划分得到的局部区域利用稀疏编码方法进行特征统计,并利用pLSA模型挖掘出局部区域中的潜在语义信息。然后联合所有局部区域潜在语义信息并结合SVM实现分类。实验表明空间金字塔、稀疏编码共生矩阵以及pLSA这三个模块在本文方法中缺一不可,共同提升图像分类性能。