随着信息时代的到来,图像作为描述物体最形象最直观的方式,逐渐成为人类获取信息的重要来源和利用信息的重要手段,所以近几年来,越来越多的学者们将自己的目光转移到图像处理与计算机视觉等领域。自从上个世纪20年代第一张数字图像应用以来,随着电子信息技术的快速发展,大量的数字图像不断的涌现和传播的同时,也导致了大量繁琐重复性的图像分类和检索工作,传统人工标注的方式来管理和分类图像已经远远跟不上图像的增长速度。如何使用计算机自动高效的对所需图像进行检索和分类已经成为目前图像处理领域的一个当务之急。场景图像分类作为图像分类的一种,逐渐成为科学研究中不可缺少的强有力的工具,在图像检索、智能机器人场景识别等多个领域有着重要的理论价值和应用价值。本文首先介绍了场景图像分类领域的研究背景及意义,并对近十几年场景分类国内外的研究现状进行了详细的分析,对在场景分类过程中用到的多种方法进行了介绍和分析。第二,介绍了场景分类过程中经常用到的各种特征,并对其中的颜色特征、纹理特征和边缘特征这三大底层特征做了详细说明介绍,选择其中的纹理特征作为本论文场景图像识别的基础特征。第三,对原经典SURF (Speeded Up Robust Features)算法做了详细介绍,并且为了达到实时性的要求,提出了一种改进的SURF快速匹配算法,对原经典SURF算法提取的特征点进行分类,并结合BBF搜索算法对特征点进行匹配,最后通过MATLAB编程,实现了本文改进的SURF快速匹配算法与BBF搜索算法相结合的物体识别,并通过实验验证了该方法的有效性。第四,提出了将MSER算法用于场景图像分类的思想。设计了一种基于场景图像的MSER-SURF特征并综合场景图像纹理特征的场景图像识别分类方法。首先运用MSER算法提取场景图像的最大稳定极值区域,通过阈值的设定,去除那些面积过小的区域,筛选出符合条件的最大稳定极值区域,然后运用本文改进的SURF描述子对这些符合条件的最大稳定极值区域进行描述,并综合使用Gabor滤波器和LBP算法提取图像的纹理特征,同时设计使用了两级支持向量机对场景图像进行训练和分类。通过实验验证,本文提出的改进SURF快速匹配算法在匹配速度上较之原有经典算法有了不小的提高,准确度也有一定改善。同时,本文提出来的将MSER算法应用到场景识别分类领域的思想也经过实验验证了其有效性。