目前在世界上每天流通的纸币数量巨大,在金融部门内部纸币整理工作是非常繁重的,如何快速准确的纸币清分在银行业中具有非常重要的意义。通过使用灵敏准确的纸币清分机,能使繁琐的钞票清分工作变得简易、快捷和可靠。然而国内清分机市场上出现的国产清分机,大都因为纸币识别率和拒识类的问题而影响了它们在国内的销售市场。如何在提高纸币图像的识别率的同时有效地降低拒识类样本被误识的几率是现代纸币图像处理中的难题,也是继续研究纸币清分技术时亟待解决的问题。本文提出了基于类Harr特征和最小包含球的纸币图像识别方法。通过类Harr特征提取方法提取出多样化且更具灵活性的特征,并且通过特征选择降低识别特征的维数,保证识别特征的鉴别能力;另一方面,通过最小包含球方法解决其它各种纸币识别方法不能有效地拒识拒识类样本的问题。类Harr特征法通过改进原始的两类类Harr特征提取方法、AdaBoost特征选择方法以及多币种识别方法以得到四种能用于多币种纸币识别的类Harr特征提取方法:整幅图像范围类Harr特征差值法、整幅图像范围类Harr特征求和法以及固定网格范围类Harr特征差值法和固定网格范围类Harr特征求和法。在实验中通过比较它们的效果,从中选择识别率最高的类Harr特征提取方法,改进了原始的特征提取方式。最小包含球方法通过将同类样本限制在一个最优的最小包含球内而不同类别限制在不同的包含球内的方法,将拒识类的样本限制在任何有效类别的包含球之外,从而有效解决原先的识别方法不能有效地拒识拒识类样本的问题。经证明: SVM中的One Class方法在RBF核和等模长条件下的线性核与最小包含球是等价的。实验中用One Class方法来实现最小包含球方法。实验表明:用类Harr特征提取法能提取出更富含“信息”的特征,在将这些特征用于识别时也能够有效地提高识别率;用最小包含球方法能有效地解决拒识类样本的识别问题。