纹理合成在计算机视觉、计算机图形学和图像处理方面都有广泛的应用。高质、快速的基于样本的纹理合成方法是其中最典型的代表,它能够避免传统纹理映射和过程纹理适用范围有限以及调整参数繁琐的缺点,因此其应用最为广泛。虽然目前各类纹理合成算法层出不穷,但是对于纹理自身的刻画以及其本质属性——自相似性的定义和度量依然不完备,而且在纹理合成质量的评价方面也被人们所忽视。本文在综述国内外研究现状的基础之上,针对目前纹理自相似性的定义及度量、平面纹理合成算法以及纹理合成结果的评价这三个方面研究存在的问题进行了分析,并提出了有效的解决方案。本文主要的内容及创新点包括：第一,基于人们对于纹理的认知,考虑到纹理可以基于结构和外观特征来进行纹理的识别,本文提出了一种纹理自相似性的定义以及如何度量纹理自相似性的定量方法。依据纹理自相似性的特点,本文从结构和外观细节表示两个方面对纹理属性进行了量化计算。在进行纹理结构自相似性的度量方面,首先在一定尺度范围内提取纹理的边缘信息,并进行边缘细化,在此基础上求取代表位置点并划分子区域,通过求取子区域之间的形状差异因子和面积差异因子,同时考虑子区域的半径和面积等因素,选出在阈值控制范围之内最相似的多个子区域,进而得到纹理样本的结构自相似性程度。纹理外观自相似性的度量从两个方面分别进行求解,第一方面是进行子区域之间灰度直方图的距离计算,得到在阈值控制范围之内的外观最相似的子区域个数,结合面积比例等因素得到纹理外观的子区域相似度；第二方面通过对纹理进行子块划分,计算子块和整个纹理之间灰度直方图统计量上的差异,得到在阈值控制范围内外观最相似的子块个数,进而得出纹理外观的子块相似度。第二,根据纹理样本的自相似属性,提出播种纹理合成算法,思路为首先进行纹理样本的分析及预处理,得到播种需要的样本种子,而后基于样本种子在合成空间进行播种合成。算法主要包含：选种、分离种子范围、确定其生长方式、播种、种子生长、修正等一系列步骤。本文从算法概述、算法描述、算法实现以及实验等多个环节对算法进行了详细说明。实验证明该方法直观明了、合成速度快,不论样本是结构特征明显的纹理还是随机性较强的纹理,利用该方法都可获得较为满意的结果。第三,尝试利用数值化的定量计算方法来划分纹理类别并对纹理合成结果进行评价。本文基于纹理自相似性的属性定义,计算样本的结构自相似性和外观自相似性,据此判定纹理样本的自相似性程度。另外,通过组织用户进行纹理的人工划分及评价,将得到的主观评价结果同本文的数值方法相比较,证明该文提出的纹理类别划分方法的有效性。另外,该文方法有益于充实纹理合成体系框架,并为今后纹理合成结果评价提供了一种新的研究思路。