木材与人们的生活息息相关。然而,木材种类繁多,性能各异,价格差距较大。木材的正确识别对于木材研究、合理利用、市场流通及管理都具有重要的意义。本文应用视觉手段和半监督学习方法对木材自动、准确识别的核心算法和关键技术进行了深入研究。在分析木材宏观、微观特点和常用识别方法的基础上,提取了木材图像的各种视觉特征,为充分利用大量的无标记木材图像,提高木材识别的准确率,本文研究了单视角下Laplacian正则化支持向量机、Hessian正则化支持向量机以及多视角下Laplacian正则化支持向量机、Hessian正则化支持向量机等基于半监督学习的木材识别,并探讨了稀疏编码在多视角Hessian正则化支持向量机中的应用,实现木材自动、准确识别。本文主要在以下方面进行了深入研究：(1)在分析研究常见木材宏观和微观特征的基础上,针对木材的特点,提取了颜色及纹理等86种木材视觉特征。研究并提取了木材HSV颜色空间下H、S、V各通道上的颜色直方图、颜色矩等特征。基于灰度共生矩阵提取了木材纹理的能量、熵、惯性矩等特征,并分析了不同角度和生长步长对纹理特征提取的影响。以人感官对木材纹理判断为基础,提取了木材图像Tamura纹理特征。由于提取的特征多达86个,会降低运算效率,因此,采用主成分分析的方法对这86个特征进行降维。实验结果表明,采用前10个特征值对应的主成分能够表示木材图像99%的信息。(2)在分析支持向量机的基础上,研究了单视角下基于半监督学习的木材识别方法。针对支持向量机(SVM)是有监督学习,无法充分利用木材的无标记样本以及泛化能力差等问题,提出了Laplacian正则化支持向量机(LapSVM)和Hessian正则化支持向量机(HesSVM)的木材识别方法。通过构造有标记和无标记木材样本邻接图将Laplacian正则项引入到支持向量机目标函数中,有效表达了木材训练样本的流形分布,利用木材训练样本的局部结构信息,较大幅度提高了支持向量机的分类性能。针对Laplacian正则化对训练样本域外的样本趋于常数的缺点,利用Hessian正则化项取代Laplacian正则化项并引入到支持向量机的目标函数中。由于Hessian正则化具有更丰富的零空间,能够对训练样本域外的样本做出较好的线性估计,Hessian正则化支持向量机具有更好的识别性能。实验结果表明,提出的算法对木材具有较高的识别正确率。(3)针对木材有横切面、弦切面和纵切面以及多种宏观微观特征的问题,研究了多视角Laplacian正则化支持向量机(mLapSVM)和多视角Hessian正则化支持向量机(mHesSVM)的木材识别方法。将木材样本用多维特征表示,每种特征看作是一个视角并作为一个学习器,通过学习获得不同视角特征的优化权重,对木材样本的不同特征合理优化利用。实验结果表明,与使用单视角特征相比,多视角半监督学习方法在木材的识别中具有更好的识别正确率,尤其在木材训练样本较少的情况下。(4)研究了多视角Hessian正则化稀疏编码支持向量机(mHesSCSVM)木材识别方法。该方法将木材样本的标签信息看作是一个附加的木材视角特征,在稀疏编码中整合了多个木材特征,利用Hessian正则化对木材样本邻接图进行编码以保持木材样本几何局部简单,驱动解决方案沿着流形的测地线平滑变化,无缝地集成了Hessian正则化和判别功能,有效综合了木材不同视角特征的互补性,在不需要增加计算复杂性前提下提高了木材识别的正确率。实验结果表明,本文提出的基于半监督学习木材识别方法可以实现木材自动、准确、高效的识别。研究结果将为木材自动识别、鉴定提供一种新的技术手段和相应的理论依据。