近年来利用图像简单特征的方法,在仿射、缩放、平移等情况下无法实现图像的不变性,已经越来越无法满足人们的需求与应用;图像不变特征作为对于图像的仿射、平移、缩放变化具有不变性的信息,近年来得到了广泛关注。通过利用图像不变特征,我们可以显著地改进和加速现有的各种图像识别的实现方法。图像不变特征目前正在逐渐地成为图像内容分析和理解的主流,并被广泛地应用到视频检索、图像分类、目标识别等领域。本文着重研究图像不变特征在视频检索和图像分类上的应用,分别提出一种基于图像不变特征的算法,研究重点及相应的研究成果如下:(1)视频中的人脸检索方法。本论文提出了一种在噪声和姿态变化等恶劣情况下都能取得很好实验结果的人脸检索方法——FRIVAP。首先为不同的人生成单独的人脸的图像集,并且提取伪Zernike矩特征;然后为得到的图像集的特征集合构建集合的仿射包;最后通过计算查询人脸的图像与不同仿射包之间的相似度,得到与查询人脸最相似的结果。在Honda视频数据库和FRID数据库上的大量实验证明,该算法不仅能有效利用视频人脸的时间域和空间域信息,而且对噪声、姿态变化等情况下的检索都展现出良好的性能。(2)图像分类方法。本论文提出了一种基于显著性区域检测和BOW的图像分类方法,该方法的主要思想是:首先进行图像显著性区域的检测,得到图像的显著区域;然后采用稠密采样的方式进行特征提取,得到图像的128维的特征向量;增强图像显著区域处的特征,得到增强后的图像特征;对图像特征进行K均值聚类后生成词典,从而得到图像的BOW模型;结合图像金字塔分割的方法,对图像的空域进行分解,得到图像的空间关键词直方图;最后利用支持向量机实现图像的分类。