图像分割和目标分类是数字图像处理领域中两个重要的研究课题。建立在统计学理论基础之上的传统学习分类方法在这两个研究课题中得到了广泛的应用。传统学习分类方法是以经验风险最小化取代期望风险最小化,即渐进理论,但这种取代只有当训练样本数趋于无穷时,最小化经验风险与最小化期望风险之间的偏差才能达到理论上的最小。然而在实际应用中,训练样本数趋于无穷这一前提条件往往得不到满足,特别当问题处在高维空间时更是如此。因此,一些理论上非常优秀的学习分类方法在实际应用中的表现却可能不尽人意。与传统统计学相比,统计学习理论是一种专门研究小样本情况下机器学习规律的理论。该理论针对小样本学习问题建立了一套新的理论体系,在这种体系下的统计推理规则不仅考虑了对渐进性的要求,而且追求在现有有限信息的条件下得到最优结果。建立在统计学习理论的VC 维理论和结构风险最小化原理基础上的支持向量机方法已经被看作是对传统学习分类方法的一个好的替代,特别在小样本、高维非线性情况下,具有较好的泛化性能。本文基于支持向量机方法对图像分割和目标分类进行了较为深入的研究,所做的工作和取得的成果主要有以下几点: (1) 研究了核函数类型、核参数、惩罚因子和窗口尺度等因素对支持向量机方法分割性能的影响,总结了一些有意义的规律,为实际应用支持向量机方法分割图像提供了参考; (2) 针对图像在获取和传输过程中易受各种噪声污染的事实,为了提高支持向量机对噪声图像的分割性能,提出了模糊权重支持向量机。实验结果表明,与标准支持向量机相比,模糊权重支持向量机具有更强的抗噪性; (3) 针对一对一方法存在不可分区域问题,提出了一种基于距离测度的改进方法。与其它改进方法相比,本文的改进方法在保证分类性能的同时降低了计算复杂度; (4) 针对所选择的纹理特征分量之间可能存在非线性相关,以及特征分量中可能混有各种噪声等问题,采用了核主成分分析方法对所选择的特征进行了提取。实验结果表明,对目标边界模糊、目标灰度不均匀及目标不连续等情况下的多目标图像(如