动态纹理是指描述某种动态景观的、具有时间相关重复特征的图像序列。动态纹理在自然界中广泛存在，比如火焰、烟雾、流动的河流、随风摆动的树叶或者多个目标对象(公路上的车辆或人群)的整体运动。本文的丰要研究工作集中在动态纹理合成技术的研究。 本文首先研究了动态纹理模型。LDS(Linear Dynamic System)动态纹理模型将每帧图像表示为线性子空间(如丰成分分析PCA)中的一点，并用自回归过程来学习予空间上抛物线的动态特性。目前，基于模型的动态纹理合成技术大都采用此模型。由于此LDS模型过于简单，使此模型不能捕获复杂的场景变化。因此，本文研究了改进的LDS模型(CLDS模型和可编辑LDS模型)和多子空间的动态纹理模型。CLDS模型通过在输入和输出间提供一个反馈信号，改变系统极点位置，提高系统的稳定性。参数可编辑LDS模型对LDS模型参数进行修正，改变动态纹理的时间和空间特性，丰富了图像序列特征。多予空间的动态纹理模型采用多个PCA的混合来描述图像流的特征。对于场景变化大的图像，这种流体通常是非线性的，能更好地捕获图像的动态特性。本文着重研究动态纹理合成中模型的紧凑性，在既定模型下减少模型参数，减小计算量和图像序列综合开销。提高动态纹理合成的实时性，扩展动态纹理合成在现有移动设备平台上的应用。因此选用最基本的LDS模型。如果需要提高综合图像序列质量和可编辑性，可用以上所述模型替换LDS模型。 本文接着研究了基于不同色彩编码的动态纹理合成技术。通常动态纹理合成中都采用RGB彩色图像，本文对动态纹理图像序列进行色彩编码变换，采用YCbCr(或Lab)编码方式，将图像分为亮度和色度信号，并利用不同的模型处理。它充分利用了色彩信号的时空特性，使模型具有更大的灵活性和紧凑性。 最后，本文研究了另一类动态纹理合成技术：基于张量分解的动态纹理合成方法。目前，动态纹理合成都是将动态纹理图像序列转换为二维信号进行分析。本文提出将动态纹理序列视作为一个高维信号(张量)，直接对其进行高维信号的分解，而不需转换视频中的各帧图像为列向量。在分解过程中，运用高次SVD分解(HOSVD，也叫做Tucker 分解)替换LDS模型中的SVD分解方法。这种传统上用于心理测量或化学计量数据的分解技术能同时分析动态纹理序列时间、空间和色彩信号，并对它们降维，获得更加紧凑的模型。而原来的SVD分解方法只能在时间维度上略减。经仿真表明，当需要得到与2D方法同样图像质量和综合开销时，HOSVD方法需要的模型参数仅为传统SVD方法的三分之一甚至更少。 较少的模型参数元素保证了动态纹理合成的实时性，同时，这也使得动态纹理合成需要的存储空间大大减少，扩展了动态纹理合成在存储空间和运算能力有限的系统中的应用。例如，PDA或移动电话等。