形状描述是图像处理与模式识别领域的重要研究内容,在目标识别、医学图像分析等领域具有广泛的应用。近年来,该领域的研究者们提出了多种不同的形状图像描述方法,但实际中物体的形状图像极易发生刚性以及非刚性变形从而使得这些描述方法在特定的场景下效果较差。形状的复杂网络描述方法是一种重要的形状描述与特征提取方法。该方法属于基于边界的形状描述方法,仅考虑形状边界点之间的相对位置,不考虑形状图像的内部信息。在经典的形状复杂网络模型的基础上,本文提出了形状的多模复杂网络模型和有向复杂网络模型。本文的主要工作如下：(1)传统复杂网络模型中,节点之间的边权重为对应边界点之间的欧氏距离,欧氏距离对形状的非刚性变形不稳定。与欧氏距离相比,内部距离对形状的非刚性变形具有较强的鲁棒性。针对这一问题,提出结合形状边界点之间的内部距离以及欧氏距离建立形状的多模复杂网络模型。在该模型中网络节点之间边的权重由对应形状边界点之间的欧氏距离以及内部距离所组成的向量表示。在进行动态演化时,分别基于欧氏距离以及内部距离进行,在每个演化阶段得到两个演化子网络。在特征提取阶段分别提取基于欧氏距离以及基于内部距离演化子网络序列的统计特征进行形状描述。在进行形状图像之间的距离度量时,分别计算欧氏距离模型特征以及内部距离模型特征之间的距离,取其中的最小值作为形状图像之间的距离。实验结果表明,与传统的基于欧氏距离的复杂网络模型以及基于内部距离的复杂网络模型相比,该方法具有更强的常见形状变形的抗干扰能力,具有较高的检索和分类精度。(2)传统的形状复杂网络模型都是基于阈值演化的,在每个演化阶段所得到的都是无向子网络,子网络仅包含节点之间的距离信息。与无向网络相比,有向网络既包含网络中节点之间的距离信息又包含节点之间的近邻信息。因此提出一种新的基于形状边界点之间内部距离的有向复杂网络表示模型。而且为了使该模型对形状的非刚性变形具有较强的鲁棒性,网络中节点之间的边的权值为对应边界点之间的内部距离。在动态演化阶段采用k近邻演化方式,每个演化阶段所得到的子网络都为有向网络,所包含的信息更加充分,能够更加准确的描述形状图像。在特征提取阶段,因为各个节点的出度相同,所以提取各个节点的入度统计特征作为形状图像的特征向量。与传统模型相比所提模型能够更加充分的描述形状图像,而且对形状图像的常见变形具有更强的抗干扰能力。实验部分将所提方法与传统的复杂网络模型以及CPDH模型进行比较,进一步验证了所提方法的优越性。