近年来,随着人工智能快速发展,图像纹理特征的应用已经成为计算机视觉领域不可或缺的部分。图像纹理特征的提取与识别是实现图像分类、图像识别任务的基础工作。随着图像获取技术的不断提高,高清摄像头等工具的普遍使用使得在复杂的环境中采集到了图像样本也越来越多,人们对受到各种干扰因素（如:光照、角度、噪声、遮挡等）的图像特征提取更加关注。经研究证明,与纹理特征提取图像的全局特征相比,提取其局部特征能更好地表征纹理图像的细节。例如使用局部二值模式（Local binary pattern,LBP）算法及其由其变形过来的相关局部描述算法和图像表面形状指数（shape index,SI）对于图像的局部信息都有很好的描述能力,这类算法在特征提取中应用非常广泛。本文主要以LBP算法以及其改进方法为基础进行研究,探讨了纹理图像在不同光照、角度、姿态等变化因素干扰下的图像特征提取方法,针对LBP算法以及其改进方法在图像特征提取过程中所存在的缺陷提出了基于图像表面形状指数的方法。具体工作介绍如下:（1）基于对传统LBP的原理分析,构建了局部二值模式和环式二值模式RLBP（Ring Local binary pattern）特征融合的增强型局部二值模式算法。该算法可以提取到更丰富的人脸纹理特征,增强了算法的鲁棒性。通过分块、分类、噪声等实验在常用纹理数据集上进行验证,我们提出的改进算法与同类算法相比在分块、分类、噪声实验中都获得了更高的识别率。（2）在图像纹理特征提取以及分类方面,传统LBP以及其变体具有独特优势,但是,它们仍然存在一些天生的缺陷:连续旋转不变性以及对噪声鲁棒性差的问题。针对连续旋转不变性的局限性,本文基于LBP融合图像表面形状指数提出了一种新的纹理描述符SILCCP来解决。形状指数（SI）是由图像表面主曲率构造的,其具有连续旋转不变性的特点,我们结合它的这种特性来对我们算法做出改进。同时我们还将我们提出的描述符与局部凹凸模式（LCCP）结合,通过提取更丰富的纹理结构特征来提升其对噪声的鲁棒性,添加多种噪声进行测试对比,实验证明它有效地改善了算法对噪声的鲁棒性。在四个常用的纹理图像数据集上进行验证,结果表明我们的方案与现有方案相比具有视点鲁棒性强、克服了旋转不变性、抗噪声能力强等优势。（3）Gabor滤波器频谱具有高斯特性,而自然图像频谱具有的非高斯特性。仅仅用Gabor滤波器滤波不能够完全得到自然图像分布的频谱,会损失一部分非高斯频率信息。基于此问题的研究,我们提出了使用Log-Gabor函数对具有非高斯特性的频谱图像进行滤波,并对不同尺度和不同方向上Log-Gabor变换系数使用广义高斯模型（Generized Gaussian Model,GGM）进行建模,我们通过采用期望最大（Expectation Maximization,EM）的方式进行估计模型参数。最后,在三个常用的纹理图像数据库中进行识别正确率和累加匹配特性曲线等实验验证,结果证明Log-Gabor系数相关算法识别率比其他相关算法更高。