图像的特征提取是计算机视觉中不可或缺的一环,针对于此,所提取到的特征不仅要准确描述该图像的信息,且需要对各种图像中存在的各种问题都具有高鲁棒性。在过去的几十年间,众多的纹理特征提取方法被提出,其中尤以局部二值模式（Local Binary Pattern,LBP）最为成功,由于其计算简单、复杂度低等特点,该算法以及各种基于其的扩展变体算法均已成功应用于纹理分类领域,然而,LBP依然存在着些许问题,比如仅能编码灰度图像,不能描述颜色通道之间的关联性信息,对图像噪声较敏感等。因此,本文从拓展LBP特征的角度出发,提出两种针对于彩色纹理图像的特征提取方法。具体而言,本文研究内容和创新性成果如下:（1）针对原始的LBP及其扩展变体算法进行了一个回顾,较为清晰的说明了原始的以及均匀模式、旋转不变模式、旋转不变均匀模式下的LBP,同时介绍了CLBP、CLBC和LBP-TOP等扩展变体算法,从而为后文所提出的研究方法打下基础。同时介绍了本文后续研究内容中所使用的彩色纹理数据库,在纹理分类中常用的相似度测量方法,图像噪声以及不同的颜色空间模型。（2）针对原始LBP及其扩展变体算法无法有效应对图像噪声这一缺点,提出了一种新颖的抗噪声的局部彩色纹理特征提取方法。称之为LCOLMBP。该方法融合了局部连续序模式（Local Continuous Order Pattern,LCOP）以及纵向差值二值模式（Longitudinal Magnitude Binary Pattern,LMBP）,在彩色图像的三个方向上分别提取特征。LCOP在图像表面以小邻域范围提取纹理特征,而LMBP则深入图像的颜色通道内部,有效提取纹理图像各个通道之间的关联性信息。同时引入了颜色向量通道,进一步拓展了纹理颜色细节。最后得到的图像描述符采用直方图表示,融合了彩色纹理图像的丰富特征。在四个基准数据库上进行的综合实验清楚地表明,所提出的方法在分类精度方面优于现有的大多数的颜色纹理特征提取方法,同时在抗噪声性能的表现上也优于绝大多数的特征提取方法。（3）针对原始LBP及其扩展变体算法无法有效描述彩色纹理图像这一弱点,提出了一种新颖、简单而强大的纹理分类方法,即多通道的局部二值模式（Multiple Channels Local Binary Pattern,MCLBP）,该方法是LBP算法在彩色纹理表示和分类方面的自然延伸和发展。MCLBP将单通道纹理特征与多通道颜色信息相结合,反映了不同通道之间的关联性和依赖性。此外,该方法还将局部色差分解为色差符号和色差幅值,进一步的将MCLBP扩展为MCLBP+M。然后将得到的图像描述符采用直方图表示,融合了包括色差符号和色差幅值在内的丰富特征信息。在五个基准数据库上进行的综合实验清楚地表明,所提出的方法在分类精度方面优于现有的大多数颜色纹理特征。特别是在CURe T和STex彩色纹理数据库中取得了最好的分类性能。