二值图像的骨架提取是将其图像中的前景像素缩减为骨架形式的方法。提取得到的骨架保留了原图的拓扑、几何性质。骨架提取常常作为图像分类、数据聚类中的预处理步骤,以达到特征提取、数据降维的效果。常见的二值图像骨架提取算法分为三类:基于形态学、基于中轴变换、基于形状分解。目前的骨架提取算法已逾一千种,然而其通常难以得到单像素宽度的骨架,冗余像素较多,并且算法抗噪能力差。本文提出一种基于k最近邻居的二值图骨架化算法。算法主要包含两个部分:基于k最近邻居的骨架收缩,以及骨架的后处理细化。为了提升抗噪性能,提取更加平滑、细化程度更高的骨架,本文做了如下工作:（1）详细描述了几种常用细化算法的实现方式,包括Zhang的快速并行细化算法、Guo迭代并行细化算法、Ahmed旋转不变性文字细化算法等,并且详细讨论了各个算法优劣势以及可以进一步改进的点。（2）受到8邻域细化算法的启发,本文将邻域搜索的范围扩大,提出了一种基于k近邻的二值图像骨架收缩算法。算法通过不断迭代向图像内侧移动前景轮廓像素,将原始二值图像转化为较粗的初始骨架形式。算法包含一个细节因子变量,用于控制最终得到的骨架的细节程度。相比于经典的8邻域算法,本文的方案获取了更多的局部信息,算法的抗噪能力也大大增强。（3）为了将得到的较粗的骨架进一步细化,本文提出了一种基于邻域偏移向量的后处理细化算法。该后处理算法首先利用骨架端点的邻域分布特点筛选出骨架的端点像素,随后将骨架点按照距离因子大小进行降序排序,依次删除相应的像素点,最终提取出单像素宽度的骨架。该方案得到的骨架细化程度大大提高。（4）为了证明算法的有效性以及鲁棒性,本文设计了全面的评估实验。首先探讨了在不同的距离测度下提取出的骨架的差异,其后对比测量了多个算法同本文算法在不同形态的图案上测量结果的差异。展示了本文算法在面对强烈噪声时优良的抗噪性能。实验结果表明,本文提出的算法能够在面对“毛刺噪声”时有更好的抗噪能力,而且提取出的骨架更加平滑、有更少的冗余像素。（5）本文将提出的算法应用于汉字识别领域,详细阐述了汉字识别的流程,其中包括数据的采集,图像的灰度化、降噪、二值化、文字分割以及细化等预处理操作。实验结果表明,本文提出的算法细化在汉字细化上具有更强的鲁棒性,在面对文字笔画的连接处时,产生更少的畸变,证实了本文算法的实用性和有效性。