在图像检索以及相关的图像处理技术中,图像的特征提取占据着重要的地位,提取特征的有效性以及提取的速度直接影响着后续分析的性能。由于局部二值模式有着高效和快速的特点,使其在人脸识别,图像纹理分类以及图像检索等方面有着广泛的应用。本文在对现有局部二值模式算法研究的基础上,主要针对其算法以及其相关改进算法做了一些具体的分析和总结,并针对现有算法的一些局限性和缺点提出了相关的改进策略。本文主要的相关工作内容如下:(1)对当前流行的局部二值模式算法以及其相关改进算法做一些具体的分析和研究,并总结和提出现有算法的一些特点和局限性。(2)针对局部网格极值量化模式(Local Mesh Quantized Extrema Patterns,LMEQEP)在纹理特征提取过程中不能完整的提取出像素间的差异信息以及其提取的特征维度过于偏大的问题。本文提出了一种优化算法,首先利用LMEQEP算子能将中心像素点周围的极值信息提取出来的思想,同改进后的极值信息分辨策略结合起来,改进后的提取策略能有效的避免算法对像素间变化过于敏感,从而提高算法的鲁棒性。其次,在改进后的基础之上,为了避免因编码长度过长而带来的维度爆炸,采用循环对称的编码方式来对提取的模式编码进行归类处理,改进的方法能有效的降低特征维度。新的算法在三个常用的图像数据库上检索能力有较大的提高,同时达到了去敏感化和降维的目的。(3)经典局部二值模式及其相关改进算法的计算都是建立在中心像素值同周围邻域像素值相关性的基础上,并将这种量化了的相关性进行编码,最后来表征图像的特征。为了进一步深化和推广,本文提出了扩展的局部二值模式算法,首先使用健壮性更强的图像梯度信息来代替原始像素,其次,将现有的像素间相关性计算推广到梯度区域间相关性计算,这样能有效的分析出图像区域间关联的更多信息,同时还避免了局部像素轻微变化所引起的扰动,使得算法具有更好的鲁棒性。最后为了对这种相关性有更加细微的划分,将算法的量化方式由原来的二值量化扩展到五值量化,并利用拆分的方式来减少算法的编码计算。在三个常用的图像数据库检索实验中,同其它局部二值模式算法相比,该优化算法拥有更好的检索效果。