图像场景分类是图像理解中高层语义的重要研究内容,旨在通过分析图像的全局统计和关联特征,实现图像场景的语义标注过程,与图像检索的词语标注不同,场景语义具有隐含的特征共性描述,体现一定的无监督特性。正确的场景分类不仅可以发现属于同一类别场景的相似性和不同类别场景的区分性,而且提供了场景和目标的上下文语境关系,有助于得到场景内目标识别的正确结果。协同模型的节点间包含天然的统计依赖关系,具有协同学的最优划分特点,可很好地用于场景分类中。本文主要在协同学的最优求解框架下,构建基于场景视觉信息描述的协同网络结构,以特征的可区分性为目的,研究协同网络的原型向量表达,通过场景特征演化,得到稳定的状态解,形成最终的划分结果,其研究内容和研究工作包括以下几点：1、研究可以有效的表征图像的特征。对两种全局特征PHOG特征和gist特征进行对比,获得协同网络的原型向量和输入特征向量的表达,并使用流形学习方法对数据进行处理,可以在保持特征流形结构的同时有效地降低特征维数,获得协同网络的序参量表达。2、图像的显著性特征的提取和应用。用最大对称外周显著性算法获得图像的显著性特征,并有效的完成复杂场景图像的感兴趣区域的分割和基于显著性的图像分类。3、基于协同学的协同网络用于场景分类。根据协同学的思想,对经过支持向量机分类判决但没有获得正确标记的图像特征,通过协同网络的序参量演化方程进行特征演化,完成对图像的标签的转移过程,从而获得更高的场景图像分类正确率。实验验证了该方法的有效性,可有效提升分类正确率。