纹理分类是模式识别和计算机视觉中的重要研究内容,在科学研究领域和工程技术方面有着非常广泛的应用背景。纹理特征提取是纹理分类中的关键技术,是进行纹理分类的基础。尽管已经有很多的学者在纹理分类方面做了大量的研究工作,并取得了许多的研究成果,但纹理分类的研究仍然有许多问题等待人们去探索。本文主要研究纹理特征的提取和分类。首先对纹理特征的研究现状进行了较为细致的综述,然后提出了一种新的纹理描述子,它结合了高判别力的局部特征和全局统计信息,在具有很强判别力的同时,对几何变换和照明变化也有很强的不变性。本文方法浓密地计算每个像素在滤波响应下的局部分形特征,得到相应的特征向量,对这些向量进行聚类分析,得到纹理基元字典。然后,根据纹理基元对纹理图像进行更合理的像素分类,计算每个类别的分形维数,形成MFS(multi-fractal spectra)特征向量。进一步本文利用SVM(Support Vector Machines)对特征进行分类。SVM方法是建立在统计学习理论基础之上并利用最优化理论来解决问题的一种新的分类方法。SVM克服了神经网络分类和传统统计分类方法的许多缺点,具有很好的分类性能。在UIUC数据库上的实验结果显示,利用本文提出的判别力更强的局部描述子所提取的纹理特征将原MFS方法的识别率提高了3%左右,验证本文方法的有效性。