材质信息常存在于物体或场景表面,其蕴含较高价值的语义,因此,图像材质识别是计算机视觉领域中的基础问题,具有较高的理论和应用价值。本文围绕图像材质识别开展研究,采用相关分析类模型、集成学习策略和层次化多特征融合策略完成图像材质识别,主要工作如下:（1）基于相关分析的图像材质识别:针对材质识别中图像表观变化大、类间相似性高、类内差异较大等问题,采用特征早期融合方法,如CCA、grad KCCA、DCA等模型,挖掘图像特征间的典型相关信息,生成跨模态语义,然后训练九类通用分类器完成图像材质识别。实验表明:DCA模型的识别精度和实时效率均表现最佳,它更适合于图像材质识别。但是,相较于单一特征,相关分析类模型的识别精度偏低,需引入更多关键的判别信息。（2）基于判别相关分析与集成学习的图像材质识别:选取表现最优的三类跨模态语义,引入硬投票、软投票、堆叠等集成学习方法,充分利用模型间互补性完成材质识别。实验表明:三类集成学习方法的平均识别精度均有提升;两类投票方法在材质识别中的表现各有特点:在粗粒度材质数据集上,它们均能提升识别精度;在细粒度材质数据集上,集成学习方法的识别精度峰值出现下降。这是因为DCA模型仅聚焦两类异构特征间相关性,而忽略更多特征间的潜在互补信息,需分阶段、层次化地挖掘更多特征间的相关性。（3）基于层次化多特征融合与集成学习的图像材质识别:提出HMF2（Hierarchical Multi-feature Fusion）模型,它改进了MDCA（Multiset Discriminant Correlation Analysis）模型,执行层次化多特征融合并引入集成学习,进一步提升材质识别精度。实验表明:HMF2模型具有高效性、鲁棒性、简单性等优点。相较于MDCA模型,它能充分利用一组异构特征间相关性,进而丰富跨模态语义中判别信息,改善识别精度;材质识别性能优于主流基线,即使采用线性分类模型也能取得较高识别精度:在粗粒度数据集,HM8-top5-soft组合表现最佳,在细粒度数据集中,HM7-top7-hard组合表现最优;HMF2模型所含参数量较小,无需大规模参数调制。