图像的二维形状以其简单、高效、易用等特点成为图像表示的重要选择之一。目前基于二维形状的识别已被应用到很多领域,如目标识别,基于内容的图像检索,文字识别,医疗诊断等,都取得了较好的效果。二维形状识别作为模式识别的基本问题,至今仍未得到彻底的解决。其困难具体体现在以下两个方面:一是,在形状描述阶段,特征对形状的表述不足,存在信息缺失的问题;二是,在分类器设计时,形状本身的一些本质特性没有得到充分的利用,例如分层特性。针对以上问题,本文对二维形状表示及识别方法进行了研究,主要完成了以下的工作:(1)对现行二维形状表示及分类方法进行了分析,并总结了每类方法所针对的应用领域及其优缺点;(2)提出了结合主成分分析方法和最远点距离的二维形状傅立叶描述子,此方法首先利用主成分分析方法进行归一化,然后进行重采样,再提取采样点的最远点距离用于傅立叶变换得到形状描述子,实验表明此描述子能有效的提高形状的识别精度,而且有很好的鲁棒性;(3)建立了通过分层隐马尔可夫模型建模进行二维形状识别的方法,并利用遗传算法来优化模型的拓扑结构。在这一方法中结合改进的交叉、变异算子来优化结构,并用扩展的Baum-Welch算法来训练模型参数,实验表明这一建模的方法不仅能够很好地表示二维形状的层次特性,而且有效的提高了识别的效率和精度;(4)基于以上提出的方法,以MATLAB为仿真平台,实现了二维形状识别实验系统,并以Hand-tools、MPEG7-Set B等为数据集进行了实验,证实了这些方法的有效性。