饮食是一种人类最重要的日常活动之一。人类日常活动所需的能量完全依赖于每天所摄入的食物。随着人生活水平的逐步提高,人不再满足于能够吃的饱,而是开始追求吃的好,吃的健康。近年来,日益高涨的肥胖率,让人越来越关注自己的饮食健康。所以针对食物图像的识别算法研究具有非常重要的意义。图像识别是图像研究领域的热门话题,它广泛应用于人脸识别,计算机视觉,机器人等诸多领域。但是纵观国内近期关于图像识别的研究成果,鲜有关于食物图像的图像识别研究。食物图像背景复杂,图像特征复杂,对食物图像识别造成了很大的困难。针对食物图像背景复杂以及图像特征难以提取的问题,本文应用图像识别技术对食物图像识别进行了研究。主要包括以下几个方面:1)使用允许用户在分割图像上标记前景和背景像素点的Grab Cut分割算法对食物图像进行分割,GrabCut算法使用高斯混合模型来模拟图像背景与前景,并通过交互手段获得前景背景标记点,在多次迭代下最终达到良好的分割效果,为接下来特征提取做好了准备。2)本文研究了多种图像特征,食物图像形态各异,内容较为复杂,很难把握事物图像在纹理和形状特征上的规律,所以本文主要研究了基于局部特征点和全局图像的颜色特征,并验证了不同特征在食物识别场下的效果。3)面对不断扩充食物图像种类面临的分类器效率下降问题,本文通过图片颜色索引过滤分类器,提高分类器效率。最后,本文根据食物图片识别这个特殊的应用场景,提出了一种巧妙的解决方案。首先根据食物的大体颜色,分为几个颜色区间建立索引。这是因为食物颜色可以即简单又快速的过滤掉很多与被识别图片明显不同的食物类别。例如大部分以青菜为主要食材的食物,其主要的颜色为绿色,而大多数以肉类为食材所做的食物,其主要颜色为红色。其次,针对食物图像背景复杂的问题,使用Grab Cut算法对图片进行分割预处理,提取出关心的食物主体,剔除掉会影响分类准确率的背景像素,通过实验表明,Grab Cut算法在食物图像分割上相比于FCM算法具有明显的优势。然后对分割出来的食物目标提取SURF特征点,并使用bag of feature模型提取出图像的bag of SURF特征。最后,使用提取出来的图像特征,通过SVM机器学习算法对每一类食物图片进行训练,使用one VS rest策略构建食物图像分类器。在设计分类器时,通过提取的食物图像颜色索引,可以过滤掉一些与被识别图像明显不同的分类器,进一步提升了算法的性能。该方法是对食物图像识别的一次尝试,实验表明,该算法可行、可靠,达到了理想的识别效果,最终达到了71.3%的分类准确率。