随着互联网和数字多媒体技术的快速发展,数字图像的规模不断增加。作为图像处理和应用领域的重要方面之一,图像分类技术是图像检索、目标识别、信息过滤等领域的基础。使用计算机实现对图像的自动化分析和分类,越来越受到人们的关注。此外,随机森林算法作为一种组合分类器,能够很好地被应用在图像分类问题中,并具有良好的表现。但是在海量图像分类上,随机森林也不可避免地受到时间开销过大、文件系统及处理架构落后等问题的挑战。Hadoop是当前主流的分布式计算平台之一,在大数据处理上受到广泛的重视。使用Hadoop平台部署随机森林和图像分类的过程,使其在Hadoop平台上分布式地进行,能够充分利用平台强大的计算和存储能力,提高图像分类的效率。基于以上问题,本文研究了随机森林在图像分类上的应用,并在Hadoop上设计了整体分类过程的并行化。首先,本文总结了图像分类的基本方法,着重介绍了Sift特征和BoVW特征。然后,对随机森林的基本原理进行了介绍,主要包括随机森林的基分类器及组织原理、随机森林生成和分类以及随机森林的性能指标。尤其是,针对决策树组合形成随机森林这一环节,本文详细讨论了分类器集成的原理和影响因素,提出一种通过基于混淆矩阵的相似性度量、综合分类效果删除“劣树”、保留性能较好的决策树等过程,实现随机森林模型选择的方法。实验显示,使用所提模型选择方法的随机森林具有较好的分类效果。最终,本文在Hadoop上进行了随机森林的并行化实现,也设计了图像Sift特征和BoVW模型的并行化,实验证明,基于Hadoop的随机森林图像分类算法能够缩短图像分类的运行时间,提高算法的运行效率,同时取得良好的分类效果。最后,对基于Hadoop的随机森林图像分类算法进行了总结和展望。