图片分类技术旨在借助机器学习算法与计算机的高速运算能力来实现图片信息的提取、理解与分类。而食物图片分类作为细粒度的分类问题,在具体实施过程中面临更多困难。不同国家和地区的饮食习惯与菜品呈现方式差异很大,尤其是亚洲食物图片,其内容琐碎、结构复杂,相关分类量化方法仍有较大空白,亟需针对亚洲食物特点制定的特征提取与融合方案。针对上述问题,本文进行了分类模型构建与特征提取方案制定两个层面的研究工作:(1)分类模型构建部分,提出一种针对亚洲食物图片的分类模型MDFC(Multidimensional Fusion and Classification)。其完整处理流程包括:在图片预处理阶段使用Grab Cut算法进行迭代化的图片分割过程,去除背景干扰信息的同时突显食物主体;在特征提取阶段使用SURF描述子进行局部特征表示,并借助图片的颜色特征进一步加强特征向量的表达能力;在分类阶段使用配置径向基核函数的支持向量机进行数据分类操作。MDFC各技术组成部分及参数设定均已针对亚洲菜品的特有结构进行优化,经过实验验证,可以有效提升亚洲食物图片分类效果。(2)特征提取方案制定部分,提出了结合亚洲食物图片的局部特征、颜色特征以及结构特征的特征提取与融合方案。其主要包含两个维度的特征信息处理流程:微观层面,结合对特征点位置与菜品点缀区域的研究,将SURF特征点信息与其特定邻域内像素的颜色信息进行局部特征融合。宏观层面,结合对亚洲食物类间色彩差异现象的研究,将局部融合信息与图片整体色调信息进行全局特征融合。实验结果表明,本文提出的特征提取与融合方案能够有效提升特征表达能力,优化特征提取效果,初步探析了亚洲食物图片特征表达与图片分类结果可解释性的内在关联。