随着知识经济蓬勃兴起,世界各国越来越重视知识产权保护,专利发展水平成为衡量一个地区综合实力、发展能力和核心竞争力的战略性标志。因此,加快专利检索技术的发展,提高专利检索效率,对提高企业产品创新能力和市场竞争力,减少行业专利侵权纠纷,具有深远而重大的社会、经济意义。基于内容的的图像检索技术(CBIR,Content Based Image Retrieval)利用图像的底层视觉特征(颜色、纹理、形状等)代表图像的内容,由于图像的底层视觉特征与图像的语义表达之间存在“语义鸿沟”,传统的CBIR技术不能满足人们按语义检索图像的需求。如果事先对图像集合按语义进行合理地分类,会极大提高CBIR系统的性能。本文主要研究基于图像底层视觉特征的图像语义分类,首先使用针对外观设计专利图像的边缘轮廓距离与分块特征相结合的方法提取底层视觉特征,提出基于K-means聚类的分类索引方法,对专利图像库的数据兼顾语义相似和视觉特征相似地组织索引结构,在实现有效分类的同时为后续的检索节省时间。基于K-means的分类思想符合外观专利图像类间差异大,类内相同视图具有相似性的特点,对小型外观专利图像库可以达到很好的分类效果,但K-means方法存在一定的局限性,比如受聚类中心初始化的影响导致稳定性稍差的问题,SVM与传统的建立在经验风险最小化基础上的学习方法相比,在解决非线性、小样本问题中表现出许多特有的优势,而且不存在局部最优的问题,因此基于SVM的图像分类可以很好弥补这K-means分类的不足,我们通过研究支持向量机的原理和技术,构造SVM多类分类器,使用参数优化的方法,实现了基于SVM的图像分类。