随着计算机的飞速发展,图像资源呈爆炸性地增长,人们对图像识别的需求越来越强烈,同时对自动化实现图像识别的要求也越来越高。模式识别是指将待分类的模式使用计算机技术自动的(或者加入少量的人为干预)正确分配到各个模式类中的技术,该技术的发展直接推动了计算机的应用,同时也带动了人工智能技术的发展。图像识别一直都是模式识别方法的研究热点之一,在现实中得到了越来越广泛的应用。图像表面通常存在一些固有的特性,比如灰度统计信息、空间分布信息及图像结构信息等,这些信息共同组成了图像的一项重要的特征——纹理。由于原始的图像样本通常维度较高,基于特征提取的模式识别方法通过抽取图像中的特征信息,实现用低维空间表示样本,该方法提取后的样本具有更好的可分性,设计分类器也相对容易。基于上面所描述的背景,针对纹理图像识别的具体应用,找到一套纹理图像识别的方法,能够有效对纹理图像特征进行描绘,具有十分重要的现实意义。本文介绍了图像模式识别概念及方法,结合纹理特征,列举了几种传统的模式识别方法,重点阐述了LBP算子的基本原理、特性、应用性,通过实验验证了LBP算子在纹理图像识别方向上的可行性及应用性,并提出使用聚类将训练模型细分后再进行图像识别,用少量的时间消耗来提高识别正确率。为解决局部二值模式(LBP)在纹理图像识别中识别率低且算法不稳定的问题,本文还提出了一种基于改进LBP算子的纹理图像识别方法。将纹理图像均匀分块,再进行LBP特征的提取,然后根据得到的训练模型决定测试样本的特征留取,最后利用多个尺度分块下的加权特征向量距离进行图像的分类。该算法在NSF纹理数据库上取得了较好的分类效果,实验分析表明,相对于原始的基于LBP的纹理图像识别方法,此算法消减了对训练样本的依赖,具有更高的纹理图片识别率以及稳定性。