作为一种简单有效的纹理描述符，局部二值模式（Local Binary Pattern，LBP）以其高效的识别能力、简便的计算方法以及对光照的不敏感性，在计算机视觉和模式识别领域得到了广泛应用。本文在LBP的基础上，重点研究了LBP算子以及其扩展方法的优点和存在的问题，并且针对不同的问题给出了相应问题的解决策略。主要研究内容如下：　　(1) 在介绍LBP算子的基础上，从融入基本边缘信息及融入局部方向信息两个方面对LBP的扩展方法进行了详细介绍。　　(2)针对CS-LBP (Center Symmetric LBP)、D-LBP（DirectionLocal Binary Pattern)和vDLBP (Variance Direction Local Binary Pattern)维数较高、易受噪声影响的问题，提出了增强方法。通过正交邻域划分方法，将直方图维数从指数增长形式变为线性增长；通过引入了局部三值模式（Local Ternary Pattern，LTP）的思想，提高了描述子对含噪声图片的识别能力。　　(3) 针对LBP算子只考虑局部邻域像素与中心像素灰度变化（即一阶导数）的问题，以及CDP (Circular Derivative Pattern，)算子和DLBP (Derivative Local Binary Pattern)不能够提取完整的高阶导数信息的问题，本文提出融合垂直方向和圆形方向的高阶导数信息，来提高算子的分辨能力；同时基于邻域点融合策略有效解决了邻域采样点数目对CDP维数的影响和对DLBP采样稀疏性的影响。　　(4)针对局部梯度模式LGP（Local Gradient Pattern）对噪声的敏感问题，提出了优化方法。首先，采用均值化和三值模式的思想降低LGP对噪声的敏感度；其次，通过基于补码编码方式来降低了算子的维度。