本文主要围绕纹理图象分析与识别的各个阶段，包括纹理图象特征的提取，纹理图象模式聚类和分割等。研究了一种纹理图象的小波包分解及其纹理图象特征的提取方法，并利用BP神经网络进行纹理的分类。针对纹理图象缺陷检测问题，提出一种利用遗传算法的自适应异小波基构造方法，使纹理图象的缺陷得到检测。本文还研究了传统的纹理图象Gabor滤波器分析方法，提出一种多分辨二项分布滤波器，使纹理图象分割的定位精度有所提高。本文还利用分维方法研究了纹理图象的特征提取方法，提出了利用改进的盒子记数法(MBCM)提取多个纹理特征，最后的纹理分类也有较高的准确度。本文提出一种改进的具有鲁棒特性的多分辨纹理图象分割算法，使纹理图象的分割不仅计算量小而且分割结果也是较为精确的。本文在模式聚类分析中提出一种基于进化算法的SFSN(samplingfrequency-sensitive network)神经网络，该算法具有使神经网络的结构优化与参数优化同时完成的特性，即同时解决了最佳分类数与最佳分类的问题。 论文的主要成果包括： 在利用小波多通道滤波技术(wavelet multichannel filteringtechnique)分析纹理模型时，我们没有采用纹理图象的金字塔小波分解系数作为特征，而是采用树结构小波分解的方法，即采用小波包分解的方法，得到所希望的纹理图象空间频率通道上的分解系数，把这些通道上的能量作为纹理图象的特征。这是1 999年上海大学博士学位论文因为仅采用单一尺度分析纹理图象很难获得好的分类性能，采用多分辨分析小波变换后，可以克服这些困难。但是Mallat金字塔小波分解算法仅在低空间频率通道子图象上迭代分解。但是大量自然纹理图象具有准周期模式特征，所以用Mallat金字塔小波分解不足以得到纹理分类所需的足够信息。利用树结构小波分解获取空间频率中频通道的能量信息，而且还利用了低空间频率段上保留的结构统计信息，最后用BP神经网络实现纹理图象的分类。 许多纹理具有规则的重复出现的纹理单元，如纺织纤维结构等。为了处理有缺陷的纹理图象，本论文中提出了一种利用二维小波变换的新方法.提出用不同自适应小波基与纹理模式匹配的概念。与Daubechies的小波基不一样，其行和列采用不同的自适应正交小波基。并用遗传算法得到该行和列的小波基。实验结果表明该方法能确定纹理缺陷的位置，为纹理缺陷的在线检测提供了新方法。 本论文提出一种多分辨二项分布滤波器，并从空域与频域两方面对二项分布滤波器及Gabor滤波器进行了分析比较。当两种滤波器的尺度空间常数很大时，它们的时域与频域性能基本相近。但在尺度空间常数较小时，二项分布滤波器的性能稍优于Gabor滤波器。而且二项分布滤波器的计算可以利用内插与迭代方法，因此计算比较简单。在对纹理图象的分类中其性能得到验证。 本论文提出一种利用分维特征，即自然纹理的自相似性进行纹理识别的研究方法。文中利用八个分维纹理特征，即原始图象，高灰度图象，低灰度图象，四个方向咬。。，45。，90。，1 35。)的梯度图象及二阶多分维共八个分维数作为特征值。分维的计算 纹理图象的分析与识别研究采用改进的盒子计数法(MBCM)。最后利用BP神经网络进行纹理的分类识别。实验结果与其它技术进行了比较，并提出利用维纳滤波进一步改进分类性能的手段。 本论文提出一种改进的鲁棒有监督纹理图象的分割算法。基于实际纹理图象是分割图象迭加了不规则噪声的假设，用被污染的高斯分布描述待分割的图象。并且利用多分辨模型得到低分辨层上的模型参数，从而实现由粗到细直到纹理图象的每个象素的分割.另外在邻域关联节点先验信息利用上提出了更为合理的方法。所以本文方法不仅计算量小而且分割结果也是较为精确的。 本论文提出一种基于进化算法的SFSN(s amPling frequency-sensitive network)神经网络分类量化方法.该算法把并行全局寻优的进化算法Ep(evolutionary Programming)融合进SFSN神经网络，把进化算法与SFSN神经网络结合，可以同时实现最优聚类数(结构优化)与分类(参数优化)的全局优化.一般结构变化会导致参数优化的倒退，但在本文方法中，神经元多少的变化，即结构的变异，并不影响参数的优化，而是继承了参数的优化成果，使神经网络的结构优化与参数优化同时完成，使进化进程更为有效。即同时解决了最佳分类数与最佳矢量量化问题。实验结果证实了算法的有效性。