目标的表示和识别技术是图像分析和理解的核心环节,合适目标的表示是基于内容的图像检索的基础,不同的表示方法将导致不同的识别方法。目前已经有了不少目标表示方法,但是由于缺少结构化的表示,使得基于内容的图像检索结果不能令人满意。为了解决这个问题,朱松纯和大卫·孟弗德提出了在“与或图”中嵌入随机文法表示对象的图文法思想,并综合了一些如马尔科夫随机场和稀疏编码等这样流行模型产生了一个学习结构实现对文法的推断,但是这种方法缺少图像的基元之间的语义信息。由于目标骨架具有层次化、多尺度、与原始目标拓扑一致和适应较大的变化等特点,因此基于骨架的目标表示和识别开始受到人们的关注。本文结合了随机文法和骨架化的优点提出了用随机文法进行骨架结构化表示,增加了图像基元之间的语义特征,有利于提高基于内容图像检索的精确性。本文的主要工作:(1)针对传统骨架提取算法中出现影响骨架识别的毛刺问题,特别是其中对物体形状的描述会产生很大影响的绷带骨架,在骨架的权值的基础上提出了一种新的骨架修剪算法。(2)结合骨架和随机文法提出了用随机文法进行骨架结构化表示模型SGIRS(stochastic grammar on image representation based on skeleton)。(3)利用了骨架的柔性以及随机文法的抗干扰能力,提出了基于SGIRS的目标识别框架,并在Mpeg-7所给测试集的两个形状图像库上进行了实验,实验结果表明本文的方法比不考虑骨架分支权值的方法在降低了目标主要形状丢失的概率方面有效。