图像分类是计算机视觉和图像理解领域中的重要研究方向，在一般图像分类任务中存在着“表示”和“学习”两大关键问题。图像的表示问题通过增强图像特征表示的可分性来降低后期分类学习的难度，基于有效编码的特征表示方法由于所具有的生物视觉特性，表现出优良的性能；在学习问题中，由于传统有监督的机器学习方法在小样本和训练/测试样本不同分布的条件下的无法获得可靠模型，而迁移学习可以在不同但是相关的领域或任务间共享知识，可以有效利用现有的资源来帮助完成小样本情况下分类模型的学习。本文以图像分类为任务驱动，分别就图像的有效编码表示和集成迁移分类方法两个问题进行研究，主要开展了以下工作：（1）分析并总结传统图像特征表示方法，并根据有效编码的相关理论，重点介绍自然图像的基元编码表示方法。（2）提出一种独立子空间内的图像基元学习和编码方法，采用无监督方式学习获取图像基元，利用所得基元对规则网格划分的图像块进行编码，并采用空间金字塔特征统计获取高性能的图像表示。（3）概述了迁移学习的定义，算法分类和研究现状以及常用迁移技术；着重研究集成框架下的迁移学习算法，总结算法的实现技术。（4）对多源TrAdaboost算法进行改进，考虑目标/源域样本分布的协变量偏移问题，对原算法的损失函数进行修正，增加源域可迁移度的计算过程，在避免“负迁移”的同时提升了算法的计算效率。