昆虫种类自动识别技术在解决传统分类方法专业人员少、效率低、成本高、普及性差等问题上有十分重要的意义。近年来,随计算机视觉技术、模式识别技术的快速发展及广泛应用,结合传统分类学理论,开发快速、准确的昆虫种类自动识别鉴定系统,已经成为一个十分重要的研究新领域。蝴蝶作为昆虫界中一个重要的分支,其分布范围广、数量庞大(已知种类多达14000余种),对其进行分类和鉴定是一项非常困难的工作。此外,大多数蝴蝶种类的幼虫是农林害虫,对人类、动物生存的环境和食物的来源产生直接影响。因此,研究蝴蝶种类的自动识别方法,不仅在物种鉴定研究方面有重要意义,而且在环境保护、农林业病虫害防治、边境检疫等实际工作有很高的应用价值。本文以50种蝴蝶为研究对象,共收集了750张蝴蝶标本的数字图像(每种蝴蝶15个样本)用于自动识别方法的研究。我们一方面研究了基于蝴蝶形态特点与纹理分布规律的特征提取与优化方法；另一方面设计并实现了高效的串联分类器用于蝴蝶种类的自动识别。特征提取与优化方面,根据蝴蝶标本轮廓形状具有种间差异大、种内差异小,并且较纹理特征和颜色特征受季节变化影响较小的特点,本文采用轮廓特征作为初级识别特征。该特征的计算通过“多尺度轮廓曲率直方图”算法实现。与常用的轮廓曲率计算方法不同,该方法不受图像方向和大小的影响,并且算法复杂度仅为O(N)。此外,本文提出的方法可以有效的反应蝴蝶轮廓的凹凸变化,与传统的形状特征相比,更为准确的反应了蝴蝶轮廓形状整体与细节的特征。在初次识别结果基础上,本文将“基于图像分块的灰度共生矩阵(GLCM)特征”作为二次识别的分类特征,描述了蝴蝶前、后翅在整体和局部的纹理分布规律,实现了对外形特征相似的蝴蝶种类间的区分。该方法不但描述了整幅图像的纹理律和特点,还反映了蝴蝶局部特殊纹理变化。在保证全局特征和局部特征的完整性的同时,降低了计算量,提高了特征提取的效率。分类器设计方面,根据提取的分类特征维度高、样本少的特点,本文采用K最近邻(k-NearestNeighbor)分类算法进行分类。该算法在分类决策时通常根据相邻的样本中的数量最多的一类作为分类结果,而本文通过对不同距离的相邻样本点赋权值的方法使“数量”和“距离”共同参与决策,是识别结果更为合理和准确。此外,本文还基于数字图像分割与图像预处理技术对蝴蝶图像进行了预处理方面的研究,从整幅蝴蝶图像中分割出蝴蝶单翅的区域作为研究的操作区域,不但提高了分类特征的提取效率,还加快了自动识别系统的计算速度。基于以上方法的研究,本文通过windows平台,利用visual C++和Qt4编程实现了一个蝴蝶自动识别系统。经测试,该系统对50种蝴蝶的初次识别准确率为96.8%,前十的识别率准确为100%；通过系统的二次识别,最终的识别准确率为98%。实验结果表明,本文提出的特征提取方法和分类决策方法在蝴蝶种类自动识别研究中取得了较好结果,也为今后其它昆虫种类的自动识别研究提供了思路。