随着计算机技术和人工智能的逐渐发展,模式分类及图像识别技术已经广泛地应用于科学、医学和经济等各个不同领域。不同的分类任务和场景往往需要使用不同的模式分类技术和分类模型。对于某些标准数据集（如加州大学提出的用于机器学习的UCI数据,其属性值和类别已经标注）的分类任务,主要考虑特征提取和构建合适的分类器;对于图像数据的识别任务,由于图像数据的采集和存储易受到噪声污染且图像的维数一般都较高,除了考虑特征提取和分类器构造之外,还需要考虑噪声去除,每个环节对最终的图像识别结果都有显著的影响。尽管已有的噪声去除方法和各种模式识别模型已经取得较大的发展,当前的一个普遍看法是不存在对所有模式识别问题都适用的单一模型,我们需要把具体问题和相应的模式识别算法结合起来研究。正是由于不同数据集的结构复杂性和多样性等问题,已有的方法在一些实际的分类问题上也存在不足。比如,有的分类算法在标准数据集上效果好,但是对有噪声的数据分类效果不明显;有的分类算法不受数据分布形式的严格限制,而有的算法却对数据分布形式很敏感。针对有监督模式分类和可迁移图像识别任务,本文以优化模型结构和提高模型的分类识别能力为核心目标,主要围绕图像噪声去除、特征提取和分类识别的关键技术进行了分析和研究,取得如下创新性的研究成果:1.提出一种彩色图像预处理中的脉冲噪声去除方法。该方法首先在图像信号的噪声传感模型中分析了相关脉冲噪声和非相关脉冲噪声的特点。利用信号检测理论研究了两种脉冲噪声在矢量图和分量图中的信噪比区别,进而提出了利用模糊检测技术对每个通道的像素进行噪声检测。基于噪声的检测结果,对中心像素及其邻域像素的污染程度进行分析,然后利用新定义的两个像素子集对各个像素的污染程度进行分类,并提出了相应的三个新的子滤波器:邻域无噪分量相似度加权滤波、邻域无噪子集矢量滤波和邻域空间距离加权无噪分量均值滤波。在不同类型图像数据中的实验结果表明,所提出的多级开关混合滤波方法能够自动检测出不同区域噪声污染程度的差异,并充分利用邻域像素的相关性和不同通道之间的相关性滤除脉冲噪声和保护图像细节。2.提出一种特征空间中超球冠映射下的判别分析算法。针对超球面映射中异类样本融合导致的可分性问题,提出了一个特征空间中的单位超球冠模型,该模型具有许多优于超球面模型的重要性质。这些性质主要包括非线性映射过程中保持模式向量结构信息不变;保持映射后的模式特征向量间的距离序关系不变,并能够在一定约束条件下提高模式特征向量样本集的可分性。基于超球冠模型的特点和总体散布矩阵值域空间的性质,提出了一种值域特征空间中超球冠流形上的内积最近邻分类算法,并分析了相应的增量学习方法。研究结果表明,本章所提出的超球冠模型能够保证归一化后的模式特征向量分布的流形维数不变。即使在传统归一化映射下重合的样本在超球冠模型下也具有可分性,保证了特征信息不损失。不同数据集中的实验结果验证了所提出的超球冠模型和判别分析算法的有效性。3.提出一种基于超球冠映射与自适应核覆盖的概率神经网络分类器。该方法首先构建了基于样本空间全局信息和局部信息的自适应核覆盖方法用于生成模式层节点,从而简化了概率神经网络模式层的网络结构。为了更准确地估计不同区域样本的概率密度,对不同的模式节点分配相应的类内权重系数,利用期望最大化算法和拉格朗日算法优化网络参数,使得优化后的神经网络的概率密度估计值能更加逼近于真实的概率密度值。研究结果表明,所提出的超球冠上的自适应概率神经网络的分类曲面接近于贝叶斯准则下的最优分界面,该分类模型能自动地调整模式节点数目和相应的网络参数,同时也能简化网络结构。不同数据集中的实验结果验证了所提出的算法具有较好的鲁棒性与分类能力。4.提出一种面向可迁移图像识别的超球冠概率卷积神经网络。本文首先从类别增加、类别约减和未知类别扩展等方面系统地研究了卷积层作为特征映射器的泛化能力与训练集类别数之间的关系。所提出的混合网络充分地结合了特征映射器提取图像层次特征的泛化能力和模型迁移能力,该网络的训练阶段主要包含三个部分:特征映射器的训练、网络参数迁移和自适应分类器的训练。研究结果表明,多类别数据集中训练充分的卷积层作为特征映射器具有较好的泛化能力,而卷积神经网络中的BP分类器并不总是最优的分类器。所提出的深度混合网络不需要在目标集上训练或微调CNN,提升了网络学习的效率,节约了训练开销。在不同数据集上的实验结果验证了所提出的混合网络具有良好的分类能力和稳定性。