纹理图像特征提取和分类在遥感、医学、农业、工业等领域有广泛应用,可以进行地形地貌检测、灾害预防、农作物监测、医学影像分析等。传统的纹理特征还存在一些不足,一些纹理特征对旋转、姿态、视角、尺度变化等较为敏感,分类时间较长,在一些实际应用中,这些纹理特征分类效果较差。针对纹理图像中旋转问题,本文提出一种新的多尺度旋转不变纹理特征(MSRIT)提取方法,MSRIT具有旋转不变性,可应用于旋转、视角、姿态、尺度变化等纹理分类。针对传统分类方法在纹理图像分类效率较低问题,本文提出了一种新的SVM分类模型(SVMpdip),并提出了针对该模型的求解方法:基于块消除法的原-对偶内点法(PDIPbe)。SVMpdip具有很高的分类准确率,且分类时间少于一些传统分类方法。MSRIT和SVMpdip方法可以处理实际应用中较为复杂的纹理分类问题。MSRIT方法是从多个尺度图像的多个旋转不变局部特征描述子中来提取图像纹理特征,这些纹理特征具有多尺度旋转不变性。在SVMpdip模型求解过程中,本文采用块消除法将中间过程系数矩阵分解为含有单位矩阵、对角矩阵等多个特殊矩阵的块矩阵,大大减少存储空间,减少了计算复杂度,提高分类效率。本文先寻找分类模型合适优化初始点,再求解分类模型,提高了模型求解收敛速度。在理论分析基础上,本文利用国际上典型纹理数据集进行了较多实验分析与评价,实验结果表明MSRIT分类准确度好于Gabor、GLCM、GLDM、LBP等传统纹理特征提取方法;SVMpdip 分类时间短于 SMO-P、SMO-K1、SMO-K2、CVX、quadprog、svmlight 等分类方法,效率高于它们,分类准确率也非常高。