图像分类是计算机视觉领域中的一个基本任务，该研究方向一直非常活跃。图像分类的性能严重影响着图像分割，目标检测与跟踪等其他计算机视觉任务，因此，图像分类研究具有重要的研究意义和实用价值。　　近年来，随着互联网的发展及摄像设备的普及，图像数量呈爆炸式增长，不仅如此，图像的类别数也大幅增长。尽管图像分类研究已经取得了长足的进展，然而，现有的大多数分类方法采用平铺式的方法，即采用一对多或者一对一的分类方式。该分类方式有三大缺陷:1）无法克服分类器形成过程中类别数据的不平衡，导致分类性能下降;2）类别数很大时，标号判别过程计算复杂度高;3）忽视了类别之间的结构信息，不利于数据的可视化。为此，本文针对大规模图像的类别层次结构，以及基于层次结构的分类方法进行研究。本文的主要贡献如下:　　1)设计一种快速计算类间的相似性度量的方法，基于该方法，利用分层谱聚类构建视觉树，形成图像类别之间的结构关系图。　　2)基于视觉树，设计了一种基于最优路径的标号预测方法。当前流行的基于视觉树的标号预测方法，往往采用贪婪学习的方式。该方法无法克服由于预测过程中高层标号预测错误带来的误差传播。为此，本文设计了一种近似最优的N-best路径的预测方法，即每层保留N条最优路径，有效克服了误差的传播。　　3)将所提方法结合多种特征进行比较研究，对传统的SIFT特征、VLAD特征及当前最新卷积神经网络特征(AlexNet及Inception-v3特征)进行比较。在大规模图像数据库ILSVRC2010及Caltech256上进行实验验证。实验结果验证了所提方法的有效性。