面向语义的多媒体图像检索现在是图像检索领域的流行趋势,但如何跨越“语义鸿沟”一直是困扰人们的问题。当支持向量机在机器学习等领域展现出良好的性能后,人们开始研究将支持向量机应用于图像检索领域,通过支持向量机分类方法提高图像分类的精确度,改善图像检索的“语义鸿沟”问题。本文在深入学习SVM基本原理以及研究他人发表的关于SVM的多类分类算法的基础上,提出了一种基于距离的正态二叉树支持向量机多类分类算法改进思想。现在的图像分类算法有着复杂的计算,在单台计算机上运行这类算法非常耗时,随着云计算平台的出现,通过计算机集群的运算能力可以提高图像分类算法的计算的速度,本文尝试将改进二叉树支持向量机多类分类算法与Hadoop平台结合来提高算法的计算速度。本文主要工作如下：(1)对目前图像分类检索、支持向量机、云计算的研究背景、意义、国内外现状等作了综述性分析；(2)详细介绍了SVM的相关理论、SVM多类分类算法及各种算法之间的比较,发现二叉树SVM多类分类算法与其它SVM多类分类算法相比具有明显的优势；(3)简单介绍了了云计算的相关概念,重点对云计算实现方式之一的Hadoop平台作了较为详细的描述,特别是对HDFS的读写策略,MapReduce的作业流程作了详细介绍。(4)在已经存在的各种二叉树SVM多类分类算法的基础上,本文提出了改进的二叉树支持向量机多类分类算法,并且通过实验证明了本文改进算法具有较好的分类准确性以及分类速度；(5)在理解云计算及开源平台Hadoop的基础上,本文将改进的SVM算法MapReduce化,最后通过实验证明了这种结合有助于减少图像分类复杂算法的计算时间。