常用的图像分类方法主要包括以下几种：

  1. 基于卷积神经网络（CNN）的图像分类：

  2. LeNet-5：由LeCun等人在1998年提出，是最早的卷积神经网络之一，适用于手写数字识别。

  3. AlexNet：2012年由Alex Krizhevsky等人提出，通过使用ReLU激活函数和GPU加速，取得了显著的性能提升，在当时引领了图像分类领域的发展。
  4. VGGNet：Visual Geometry Group（VGG）提出的VGGNet通过增加网络的深度和宽度，进一步提升了性能，成为后续许多卷积神经网络的基础。
  5. ResNet：由Residual Networks提出的ResNet通过引入残差连接解决了深度网络训练过程中的梯度消失问题，使得网络可以更深，性能也得到了提升。
  6. Inception系列：由Google提出的Inception系列网络通过引入Inception模块，有效地增加了网络的深度和宽度，同时保持了较低的计算复杂度。
  7. EfficientNet：由Google提出的EfficientNet通过联合缩放方法，在不降低模型性能的情况下，显著减少了模型的参数量和计算量。

  8. 基于传统机器学习方法的图像分类：

  9. 支持向量机（SVM）：通过寻找最优超平面来进行分类，对于高维数据具有较好的泛化能力。

  10. 随机森林：通过构建多个决策树并进行投票来进行分类，能够处理大量的特征，并且对于过拟合有一定的抵抗能力。
  11. K近邻（KNN）：根据样本之间的距离进行分类，适用于小规模数据集，但在大规模数据集上性能较差。

  12. 基于深度学习的迁移学习图像分类：

  13. 利用在大型数据集（如ImageNet）上预训练的模型（如VGG、ResNet、Inception等），通过迁移学习的方式适应新的图像分类任务。这种方法可以显著提高模型的性能，尤其是在数据量有限的情况下。

***还有一些其他的方法，如基于生成对抗网络（GAN）的图像分类、基于注意力机制的图像分类等。这些方法在特定领域或应用场景中具有独特的优势。

在实际应用中，选择哪种图像分类方法取决于具体的任务需求、数据集大小以及计算资源等因素。