在信息时代,对海量的图像信息进行有效的分类是社会的迫切需求之一。目标分类的研究任务就是探寻对图像数据进行分类的有效方法。所以目标分类成为了当前计算机科学的最热门的研究课题之一。在目标分类系统中,图像特征提取被认为是最关键的模块,因此学者们对如何提取优秀的图像特征进行了大量的研究工作,并取得了许多优秀的研究成果并提取了许多特征提取算法。其中,Scale-Invariant Feature Transform(简称SIFT)与Biological-Inspired Model(简称BIM)算法是两种非常有代表性的特征提取算法。本论文的研究工作围绕这两种算法来展开,其内容包括对SIFT算法与BIM算法的理论研究与实现细节分析、SIFT在脱机手写识别中的应用和BIM在人脸表情识别中的应用三个部分。首先,本文研究了尺度不变特征变换算法,即SIFT算法的理论与分析了其实现细节。SIFT算法分为SIFT特征检测算法与SIFT描述子两部分。SIFT特征检测算法是一种基于尺度空间理论的特征定位算法,其使用了高斯差分空间进行特征定位；而SIFT描述子则是一种基于梯度直方图的图像特征区域描述。然后,本文研究了SIFT在脱机汉字识别中的应用。本文结合手写汉字图像的特点与SIFT描述子,提出了两种有效的脱机手写汉字特征：局部汉字SIFT特征和全局汉字SIFT特征。前者是通过弹性切分把汉字图像切分成一系列图块,然后分别对各图块提取SIFT描述子特征；而后者先使用全局弹性网格把汉字图像划分成数个子区域,然后分别统计子区域相关的梯度信息。将这两种SIFT特征与原始的SIFT特征、手写汉字识别领域中常用的梯度和Gabor特征进行对比,实验结果表明,本文提出的两种SIFT特征性能与梯度特征不相上下,且明显优于Gabor特征与原始的SIFT特征。此外,本文指出了基于弹性网格的SIFT汉字特征具有尺度性,并研究了多种尺度下的SIFT汉字特征的融合性能。最后,本文对生物启发模型特征(BIM特征)的理论与实现细节进行研究,然后将BIM特征应用于人脸表情识别,并对BIM各种特征参数对性能的影响进行了研究,实验结果表明BIM特征在人脸表情识别上有不俗的性能。