随着多媒体和网络技术的迅速发展，图像分类已被广泛地应用于数据挖掘、模式识别等众多领域。在海量图像数据库中实现快速、准确的图像分类成为了人们研究的热点课题。本文选用了SVM和加权KNN方法对图像进行了分类，并深入研究提出了基于稀疏表示的图像分类方法。实验表明所提出的基于稀疏表示的SVM和加权KNN分类方法对于图像分类是合理、有效的。本文的研究工作主要包括以下几个方面：1.研究了稀疏表示的Lasso算法，利用Lasso可分类特征的重构设计实现了稀疏表示子系统。此系统实现了归一化操作、稀疏系数的求解以及稀疏重构，对待分类特征进行了优化操作，以提高分类准确性。2.利用SVM分类方法设计了图像分类器。通过支持向量机(Support Vector Machine,SVM)设计了SVM图像分类器。实验过程中分别对原始特征和进行稀疏重构的特征进行分类，实验结果表明，将稀疏表示与SVM分类方法相结合能更有效地进行图像分类，从而提高分类准确率。3.利用加权K近邻分类方法设计了图像分类器。通过K近邻方法(K-Nearest Neighbor，KNN)研究并提出并设计了加权K近邻图像分类器。实验过程中分别对原始特征和进行稀疏重构的特征进行分类，实验结果表明，将稀疏表示与加权KNN分类方法相结合能更有效地进行图像分类，从而提高分类准确率，并且加权KNN分类准确率明显高于KNN分类准确率。4.设计并实现了图像分类原型系统。采用面向对象的设计思想，实现了基于稀疏表示的图像分类原型系统的设计，并且验证了所提方法和所设计方法的有效性和可用性。