纹理分析是计算机视觉的重要研究内容，在遥感、文档分析、场景分析等领域有着非常重要的应用前景。特别在遥感领域，纹理分析是遥感影像解译的重要依据，是遥感图像分割、图像融合、图像配准等的基础，也是异常目标检测和感兴趣目标识别的重要手段。　　 本论文研究了纹理辨识和纹理分割，这两个纹理分析的基本问题，提出了针对纹理辨识和纹理分割的完整的算法解决方案，并对算法工程化实现的困难进行了探讨。本论文的贡献如下：　　 1)提出了一种新的基于多特征融合的纹理辨识算法。首先，通过灰度共生矩阵(GLCM)、高斯马尔科夫随机场(GMRF)和二进制小波(wavelet)抽取纹理特征，采用基于K近邻域(K—NN)分类器的留一法交叉验证错误率作为顺序前向搜索算法(SFS)的评估函数进行特征约简，从而有效地将多特征进行融合，最后利用K—NN分类器对融合后的特征进行分类。对Brodaz纹理库的测试结果证实：(1)GCLM、GMRF和Wavelet方法提取的纹理特征具有互补性与协同性；(2)与单独的纹理特征提取方法相比，多特征融合与约简的方法取得了更高的识别精度；(3)与简单的特征联合方法相比，本文提出的方法识别率可提高约4％；(4)与经典特征降维方法(主成分变换(PCA)、Fisher判别(LDA)法)相比，本文提出的方法在识别精度和识别效率方面更具有优势，是一种实用的纹理辨识方法。　　 2)提出了一种新的基于Gabor小波的非监督纹理分割方法，与传统Gabor方法相比，该方法最大的特点在于分割的过程中利用了纹理尺度之间的依存关系和像素之间的空间约束关系。为了克服增加特征所带来的“维数灾难”问题，用独立分量分析(ICA)进行特征的整合。采用Brodatz测试集的实验结果验证了我们方法的有效性。　　 3)提出了一种新的基于Contourlet域隐马尔科夫模型(HMM)的监督纹理分割方法，该算法的特点如下：(1)充分利用了Contourlet变换的提供的多分辨率、局部化和多方向性的特点，利用HMM对相邻尺度的Contourlet系数进建模，从而可以对纹理图像进行精确的统计描述；(2)在多尺度分割融合的时候，采用了联合多背景多尺度的方法，利用了粗尺度信息的同时利用了细尺度的信息，从而获得了更为精确的分割结果。采用Brodatz测试集对该算法进行了测试，并对算法的性能进行了评估和分析。　　 4)以连通域标记算法为例，探讨了纹理分析算法在遥感软件中实现需要解决的问题，设计并实现了一种针对海量数据的连通域标记算法。该方法通过对影像进行合理高效地分块，解决了海量数据处理过程中对大内存的要求。对读入内存中的数据，采用了基于队列的种子填充算法进行连通域标记；通过采用了贯序连通域标记算法中的冲突表机制，解决了因分块之间隔离而造成的同一连通域标记不同的问题。我们方法的特点是：(1)可以处理海量数据；(2)对分类结果数据仅仅访问一次：(3)无须对生成的结果进行重新标记，就可以完成连通域的标记：(4)同时还可以获取连通域的基本统计信息。实验结果证明了我们这种方法的高效性与有效性。