随着网络和计算机技术的飞速发展，人们利用网络通过获得数字图像得到的信息越来越多，表面上看图像信息给人以直观、真实的感觉。同时，随着图像处理和计算机图形学的技术的迅速发展，人们又能够轻而易举地制作出高逼真的计算机图片(CG)，用肉眼几乎不可能把它们同照片区别开。因此，但在很多情况下，我们便需要通过分辨出哪些是真实照片，哪些是经过计算机处理的或是人为合成的照片，从而确定图像信息的可信度。正是诸多的社会需求促使数字图像处理技术得到了深入、广泛和迅速的发展。图像处理的主要研究内容包括图像增强、图像复原、图像编码、图像分类等。 通过分析在网络上搜寻到的众多人们关注度比较高的数字图像，我们发现，其中包含公众人物(国家领导人、体育明星以及娱乐圈明星等等)的图像较多：在对引起人们争议的图像得讨论中，人们往往关心的是这个人物是否出现在这个地方，是否做过这件事情。因此，针对这一情况，在本文中我们主要讨论包含人物的数字图像特征提取和分类的问题。 本文的主要工作及特色之处如下： 1.提出了一种区分计算机绘制的人物图像(以下简称CG图像)和由摄像机获取的真实人物图像(以下简称PG图像)的方法，该方法通过提取小波系数特征、颜色特征以及纹理特征获得图像的统计模型。并采用SVM分类器来学习和辨别这种差别。实验表明，这种方法在分辨图像真伪方面是具备一定参考价值的，尤其在一幅图像没有数字水印的情况下，具有特殊的实际应用价值。其对特征的提取是显著有效的，从而验证了这种统计模型与分类器相结合进行图像真伪分析的实验方法的有效性。 2.提出了利用基于提升方法的小波变换进行特征提取的方法。提升小波变换为小波变换提供了一种新的更快速的实现方法，其构造不再依赖于Fourier变换构造，可以实现所有小波变换。结果表明，与传统的小波变换相比，提升小波变换对于图像特征的提取同样是有效的，另外由于其独特的变换构造，使得计算量大大降低，计算时间显著减少，具有很大的实用价值。 3.提出了一种基于Gabor小波和灰度共生矩阵进行数字图像特征提并与支持向量机模型相结合的纹理分类算法。首先分别利用Gabor变换和灰度共生矩阵提取数字图像的特征，进而利用支持向量机算法实现图像的训练和分类。 Gabor小波变换方法是频谱法的一种。能够对纹理图像的功率谱和能量做出更加细致的描述：灰度共生矩阵是统计法的一种，能够很好的反映象素之间的灰度级空间相关的规律。支持向量机是机器学习领域的研究热点，由于其具有良好的推广能力等诸多优点也得到了越来越广泛的应用。实验结果表明，与传统的分类方法相比，这种通过Gabor小波和灰度共生矩阵得到数字图像的特征并与支持向量机相结合的方法能有效地提高分类正确率。