纹理是图像中重要的视觉线索,在生活中比较常见。纹理图像由于受到光照强弱、噪声大小、图像尺度等多种因素的影响,加大了提取纹理图像特征以及特征分类的难度。这一亟待解决的问题是近年来计算机视觉研究中一个比较热门的课题。随着深度学习的发展,深度神经网络因其强大的端到端建模能力在很多任务上能够取得比传统方法更好的性能。本文从缺陷检测的角度出发,首先介绍纹理图像分类的研究现状;然后介绍传统方法中的纹理特征表示方法以及一些浅层分类器模型;紧接着介绍深度学习的基础知识;进一步,深入开展了基于深度卷积神经网络的纹理图像空间相关性建模和分类、基于多方向空间相关性特征学习的纹理图像分类、基于全局和局部相关性的纹理图像分类方法的研究。具体内容如下:(1)提出了一种基于深度卷积神经网络的纹理图像空间相关性建模和分类方法。首先,通过基础网络的卷积层学习不同类型的边缘、轮廓等基本特征表示;然后利用长短时记忆网络(LSTM)的长期记忆机制,在水平和垂直两个方向对空间相关性进行建模;最后利用学习到的空间相关性特征构建分类器进行分类,并在两个标准纹理数据集上验证该方法的性能。(2)提出了一种基于多方向空间相关性特征学习的纹理图像分类方法。首先构建一种用于纹理图像分类的多方向端到端的网络结构;然后构建隐层编码层,对上述特征作进一步嵌入转换;最后,基于上述嵌入编码特征进行最终分类,并在两个标准纹理数据集上验证该方法的性能。(3)提出了一种基于全局和局部相关性的纹理图像分类方法。首先,在深层卷积神经网络学习到的特征图基础上,输入到局部模块和全局模块,然后将上述两个模块提取的纹理特征进行并联,将并联后的特征输入到隐层编码层,进一步进行嵌入变换;最后,基于上述嵌入编码特征进行最终分类,并在两个标准纹理数据集上验证该方法的性能。