随着互联网技术的高速发展,网络中积累了大量的数字图像和视频数据,这些数据为人们的使用带来了新的技术挑战。为此,许多专家学者对图像分类、图像检索、目标识别等领域进行了相关研究,而图像特征提取是这些研究的基础工作。图像特征提取是将图像映射到特征集合的过程,针对图像特征提取,目前已经提出了许多优秀的算法,这些算法可以根据语义表达能力的不同进行分类。其中,基于中层语义的特征表示因其性能较好而成为人们关注的研究对象。本文对典型的底层特征表示和中层特征表示进行了分析和改进,并通过图像分类实验对性能进行了验证,具体工作如下：第一,提出了一种基于词袋模型(BoW)的图像空间语义中层特征方法。由于BoW及其改进方法假设视觉词间相互独立,而这种假设忽视了视觉词间的关联性,所以本文提出了结合空间语义信息的图像特征表示方法。该方法通过计算图像中视觉词间的分布距离提取相似的视觉词,组成视觉短语,融入图像的全局空间信息；同时,在这些视觉短语中提取具有语义代表性的视觉短语,建立短语词典来加入图像的语义信息。结合视觉词间的这两种信息,构成新的图像空间语义特征。在UIUC-Sports8图像库和Scene-15图像库进行图像分类实验,实验结果表明这种结合空间语义信息的特征具有更好的分类准确率。第二,对局部二值模式(LBP)进行改进：1)提出了一种基于LBP的纹理短语特征方法；2)提出了一种基于BoWL的图像空间语义特征方法。实验表明,这两种方法都取得了较好的图像分类效果。最后,针对当前网络图像特征方法的实际情况,以及LBP的简单性和较好的表达力,本文还研究了LBP对实际网络图像分类的作用,通过实验结果可以看出该方法能够有效地对网络文字图像进行表示。