图像识别是计算机视觉领域中利用数字图像处理技术和模式识别方法识别图像中的感兴趣目标的技术,被广泛应用在合成孔径雷达图像辨识、地图导航、车牌目标检测、医疗病变诊断等方面。现实生活中,由于图像在成像时经常会受到外界因素的干扰而产生形变、噪声、模糊等问题,使得图像识别难度增大,再加上图像库规模与日俱增,图像内容也越来越丰富,使得目前的图像识别系统普遍存在识别速度慢、识别准确率有待提高等缺点。因此,本文提出一种基于预分类的图像识别方法,该方法在保证较高识别准确率的同时极大地提高了识别的速度。论文的主要研究工作包括:①针对大型图像识别系统中图像识别过程存在的运算时间长、识别准确率不高的问题,本文提出一种预分类思想,即给定一个模板图像库,在识别图像之前,预先分类模板库中的图像,通过缩小识别范围来改善图像识别的速度。②对比几种图像特征提取算法,选择对外界环境变化鲁棒性强,且信息量丰富、可扩展性好的尺度不变特征变换(SIFT)算法来提取特征。引入词袋(Bo W)模型,使用视觉单词向量表示图像特征,降低特征相似度计算的复杂度。考虑支持向量机(SVM)在解决非线性、过拟合和高维数据模式识别中的全局最优性和良好的泛化能力,使用SVM用于分类。基于以上几点,研究了基于SIFT和Bo W的图像分类方法,用于实现本文提出的基于预分类的图像识别方法的预分类过程。在标准图像库上的仿真实验结果表明,该方法具有很好的分类效果。③研究了基于SIFT和随机抽样一致性(RANSAC)算法的图像匹配识别方法,用于实现本文提出的基于预分类的图像识别方法的匹配识别过程。在SIFT匹配算法的基础上,使用RANSAC剔除匹配过程中出现的错误匹配特征点对,提高图像识别的准确率。在局部仿射不变图像库上的匹配性能实验结果表明,该方法具有很强的鲁棒性。④给出本文基于预分类的图像识别系统的设计框架和具体实现流程。使用LIBSVM开源软件包在MATLAB上进行的大规模图像识别仿真实验结果表明,本文提出的方法能够在保证较好的识别准确率的同时极大地提高图像识别的速度。