物体表征和识别是模仿人类视知觉能力的一个重要课题,但任务艰难。为了取得更好的效果,我们需要从人类的视知觉机制上有所借鉴。人类视知觉是源自于数亿年的进化而产生的复杂系统。人工智能和计算机视觉领域在模拟人类视觉的应用(如物体识别)上,虽然在近年来取得了不少进展,但仍然难以同人类视知觉的能力相匹敌。这就需要我们从神经生理学和认知心理学对人类视知觉机制的揭示中获取灵感。本文结合了认知心理学模式识别理论中的成分识别理论和视觉拓扑理论等学说的观点,设计出一种更符合人类认知原理的、更具有可理解性的原型表征和训练框架：首先借鉴成分识别理论的观点,从二维混合高斯函数出发,用高斯成分来拟合物体的边缘图像,使得物体的表征成分化；进而给出在两幅训练图像之间匹配对应成分的算法,并以此为基础,设计出从多个样本图中挖掘频繁出现的成分和成分结构的聚类算法,从而将指定物体的样本库中的成分和成分结构信息融合到一个物体原型之中。不同于计算机视觉传统的自底向上的识别方法,这种原型机制借鉴了视觉拓扑理论,用图或树的结构描述了物体的大范围拓扑或结构信息,因此被应用于识别时具备了更符合人类认知特性的自顶向下的知觉特征。为了验证原型的可理解性与是否更符合人类的认知特点,本文还在生成原型之后对其进行重构,即根据原型中所融合出的信息来反向构建出成分图像,以给出一个可视化的训练结果之表示。在原型建立完成后,还初步探索了原型在识别过程中的应用：从原型所重构出的模板图像进行粗匹配,到考虑更高级的、带有自顶向下的识别特点的成分层面之识别。本文给出了成分层面识别的形式化框架描述,把该问题转化成了一个基于能量函数的最优化问题,并初步设计了一些搜索策略来完成物体候选位置的检测。