一句话定义：图像分类（Image Classification）是让模型看一张图，从预先定好的一组类别里挑出一个（或多个）标签，回答“这张图是什么”。
模型并不像人那样“看见”一只猫。它看到的是一个数字矩阵，每个像素的亮度、颜色值都在里面。以卷积神经网络（CNN, Convolutional Neural Network）为例：浅层负责找边缘、色块、纹理这类基础特征；中间层把这些拼成“耳朵”“胡须”这样的局部形状；深层再组合出“猫脸”这种整体模式；最后给每个候选类别打一个分数，分数最高的就是答案。可以把它想成一摞筛子：一张照片倒进去，每层筛掉一批不可能，最后只剩一个最像的结论。
训练靠的是大量带标签的图片。模型先猜，猜错了就按误差回头调整参数，来回成千上万轮，慢慢把“猫”和“狗”的边界磨出来。
和相邻任务的区别，这是最容易混的地方：
| 任务 | 输出 | 回答的问题 |
|---|---|---|
| 图像分类 | 整图一个（或多个）标签 | 这张图是什么 |
| 目标检测（Object Detection） | 若干矩形框 + 类别 | 有什么，各自在哪 |
| 语义分割（Semantic Segmentation） | 每个像素的类别 | 每个像素属于什么 |
| 实例分割（Instance Segmentation） | 每个像素 + 实例编号 | 这只猫的像素和那只猫的像素 |
一句话概括：分类是“整张图一个结论”，检测和分割是“图上多处分别下结论”。分类最基础，检测、分割模型的骨干网络往往就是从分类任务预训练来的。
对普通人和从业者的意义：手机相册按“风景/人物/美食”自动归堆、电商以图搜同款、内容审核的第一道粗筛，背后都是分类。对做算法的人来说，分类常被当作预训练任务，训练出的骨干再迁移到检测、分割上；真正落地时也别只盯着准确率——一张图常常同时是“海边”和“日落”，单标签假设未必成立，得多标签分类；长尾类别和域偏移更麻烦，训练集里的猫和用户手机拍糊的猫，差距可能比想象的大。选具体模型和工具时，接口和参数以官方文档为准。