针对不同图像提取出显著的特征对于图像分类是非常有意义,然而,单一的图像分类方法提出的特征不是对所得图像都要好的鲁棒性,本文通过多视角方面来提取不同特征,并将其融合来有效地解决这个难题。首先,利用2DPCA(Two Dimension Principal Component Analyses)提取图像的特征,然后根据获取特征进行图像重构(虚拟图像)。其次,利用FFT(Fast Fourier Transformation)来获取图像的频谱特征。接着,将原始图像,虚拟图像,频谱特征分别利用稀疏方法获得得分。最后,利用一种新颖融合机制将上述获得得分进行融合,并根据新获取得分进行图像分类。本文的优势有:获取的多特征和原始图像进行了互补,它使该算法更具有鲁棒性;同时提出方法具有稀疏性,提高了图像分类的性能;此外,它能自动获取参数,不需要手动调参。实验结果表现,该方法在不同情景下具有高的图像分类准确率。