木材表面颜色和纹理是木材表面重要的特征参数,能够反映木材表面特性和人的心理感觉,并且直接关系到木制品的质量、等级、价格和木材加工企业的经济效益。对木材表面纹理进行分类识别研究,不仅可以解决木材加工企业生产的需要,还丰富了图像处理与模式识别领域关于自然纹理分析分类的研究。本课题采用了图像处理技术和模式识别理论,对木材表面纹理的分类与识别进行了研究,主要内容如下。选择东北常见的针叶材（红松、落叶松）、阔叶材（白桦、水曲柳、柞木）共五种木材为研究对象,建立包含1000（100×10）个图像样本共10类纹理样本库。不同的颜色空间具有不同的特点,本课题需要对木材表面彩色图像进行分类识别研究,这就希望样本在颜色空间中具有良好的可分性,因此,在RGB颜色空间、HSV颜色空间、L^*a^*b^*颜色空间、I₁I₂I₃颜色空间、归一化颜色空间共5个空间下获取了样本的颜色特征参数,并进行了分类识别实验,依据分类识别率并结合颜色空间自身特点,最终确定:在获取木材表面纹理彩色图像的颜色特征时,选用HSV颜色空间。在HSV颜色空间下,获取了十类样本的颜色直方图和颜色矩特征参数;在灰度空间、HSV颜色空间、RGB颜色空间下,获取了十类样本的共生矩阵特征参数。结合GNFS方法,建立了五套木材表面纹理参数体系,分别为木材表面纹理参数体系①（融合灰度共生矩阵与颜色直方图的纹理参数体系）、木材表面纹理参数体系②（融合灰度共生矩阵与颜色矩的纹理参数体系）、木材表面纹理参数体系③（融合灰度共生矩阵、颜色直方图和颜色矩的纹理参数体系）、木材表面纹理参数体系④（基于RGB颜色空间共生矩阵的纹理参数体系）和木材表面纹理参数体系⑤（基于HSV颜色空间共生矩阵的纹理参数体系）。本课题所采用的分类器有最近邻分类器、概率神经网络（PNN）分类器和集成BP神经网络（BPNN）分类器。依据上述三种分类器在五个木材表面纹理参数体系下的识别率以及参数体系的维数,最终确定了最优的木材表面纹理参数体系为:木材表面纹理参数体系②,[W1,W4,W5,W7,W8,W10,W11,H_m1,S_m1,S_m2,S_m3,V_m1,V_m2,V_m3],对未知集的最高识别率为97.00%,获得了满意的效果。