散射网络(Scattering Network,Scatnet)是S.Mallat于2012年提出的一种具有多层结构的卷积网络模型,该模型通过交替作用复数小波算子和非线性算子逐层输出信号不同频率的特征信息,最终级联为信号的总体特征表达式,具有平移不变性以及形变稳定性等优良特质,在音频分析、图像处理等领域得到了广泛应用。本文的研究工作围绕散射网络的算法研究与应用展开,将改进与扩展后的散射网络算法应用于纹理图像分析以及机器故障判别,主要研究内容如下:(1)在系统介绍经典散射网络有关理论的基础上,深入研究了分数阶变换理论,对S.Mallat提出的经典小波散射网络算法进复数小波变换方向的改进扩展,通过分数阶卷积运算构建分数阶散射网络,将频域小波变换扩展到分数域变换。(2)散射网络中信号经过复数小波卷积运算后系数均值为零,需要通过引入非线性算子获得非零系数进行后续运算,经典小波散射网络通过非线性取模算子获得信号的包络信息,并通过低通滤波获得具有不变性的特征信息。信号的相位往往也包含着丰富而重要的信息,本文对非线性算子进行扩展,并结合实验分析相位角算子与复数取模算子的应用效果。(3)在纹理图像分析问题中选取不同复数小波构建分数阶散射网络进行实验,选取KTH-TIPS、UIUC以及UMD纹理图像数据集作为实验数据集,以对比通过复数Morlet小波、复数双树小波以及复数Spline小波构建的分数阶散射网络的性能效果,并与其它算法的分类效果进行了对比和分析。(4)对于机器故障判别诊断问题,选取角磨机运行过程中的音频信号作为实验样本数据集,将分数阶散射网络应用于一维音频信号分析及特征提取,为解决实际工程应用中的故障判别问题提供了参考。