图像分类是图像处理的热点问题,很多研究工作都致力于提高图像分类的性能。然而如何快速、准确地对图像进行分类仍然是一项具有挑战性的任务。近年来,宽度学习系统（Broad Learning System,BLS）因其具有训练速度快、超参数少等优点,已被用于解决图像分类问题。然而在复杂的图像数据集（SVHN、CIFAR-10和CIFAR-100）上BLS的分类性能较差。本论文的研究目的便是提升BLS在复杂图像数据集上的分类性能。针对上述目的,本论文重点研究了基于多特征提取的宽度学习系统（Multi-Feature Broad Learning System,MFBLS）和基于级联特征块的宽度学习系统（Cascade Feature Block Broad Learning System,CFB-BLS）。论文首先介绍了BLS的基本原理。在此基础之上,将传统的图像分类方法与BLS结合,提出了MFBLS模型。此外,本论文借鉴了基于深度学习图像分类的方法,提出了CFB-BLS。最后,论文对MFBLS和CFB-BLS进行了评估。论文的主要研究成果包括:（1）基于多特征提取的宽度学习系统。该模型具有两个重要的特点:1)多特征提取。多特征提取方法从图像中提取了四种特征,即卷积特征、K-means特征、HOG特征和颜色特征。这些特征反映图像的全局特征和局部特征。2)并行结构。该结构有四个特征块和一个融合块。四个特征块分别对四种特征进行增强;融合块融合四个特征块的输出,并得到模型的分类结果。该结构能充分利用所提取的特征。（2）基于级联特征块的宽度学习系统。该模型包含三个特点:1)基于卷积的特征块。特征块使用卷积层和“Squeeze-and-Excitation”（SE）块来进行特征学习。多个特征块以级联的方式进行连接,以学习到更具判别性的特征。2)为避免过拟合,模型引入了一个Top-level Dropout层。3)使用Adam算法对模型进行训练,使模型可以像卷积神经网络（Convolutional Neural Network,CNN）一样工作。通过这些特点,该模型兼具了BLS和CNN的优点。实验表明,MFBLS和CFB-BLS能够显著提高BLS在复杂数据集上的分类性能。本论文的研究成果为基于BLS的图像分类提供了新方法,从而促进BLS在图像分类中的应用。