图像的理解和识别一直都是数字图像处理研究的热点和难点:要实现对图像的理解,最重要的是提取能够准确描述图像的特征。而使用现有方法提取的图像特征进行图像识别时,无论是从识别的时间还是正确率来看,都比不上哺乳动物的视觉系统。因此,研究经过长期进化的生物视觉系统的工作原理和结构,并将其应用到对图像的特征提取上,是解决该问题的有效途径之一。本文研究了Serre、Mutch和Karklin三人分别提出的三种视觉认知模型(以下简称模型1、模型2和模型3)的原理和实现方法,将其应用到图像的特征提取,并对这三种模型提取的图像特征在图像理解和识别方面进行比较分析。　　本文首先使用了三种视觉认知模型对灰度图提取图像特征,然后输入SVM对特征分类。通过比较这三种视觉认知模型对图像的分类结果,发现模型1和模型2的计算复杂度较低,可用来对整幅图像提取特征;而模型3的计算复杂度要远高于前两种视觉认知模型,只能用来对特定大小的图像块提取特征,而不适合处理图像集中的大量图像。　　基于上述发现,本文使用模型3对自然图像进行分割:首先将自然图像分块,利用视觉模型3计算各个图像块所对应的隐含变量,在隐含变量空间中进行聚类,再将聚类结果映射回图像,从而实现图像的分割。实验中将基于视觉认知模型3的图像分割结果与Normalize Cut算法的结果进行了对比,发现在处理纹理信息丰富多目标图像时,基于模型3的分割算法能得到更好的结果;并且基于模型3的算法的计算量要低于Normalize Cut,且对图像的尺寸没有要求。　　本文的创新之处在于:　　1.将三种视觉认知模型应用于图像的特征提取,对所提取特征在图像分类上的应用效果进行比较分析;　　2.首次将视觉认知模型3应用在对自然图像的分割上,并于Normalize Cut算法比较。