有效的描述目标图像以适用于后续的目标识别任务是计算机视觉研究领域的一个基础性的问题。描述叶片图像模式用于植物种类识别和抽取蝴蝶图像特征用于蝴蝶种类识别是目标图像描述中的重要应用。植物叶片图像模式和蝴蝶图像模式一般都有着小的类间差异和大的类内差异,目标的形状扭曲、自遮挡,以及图像获取中的光照的变化,目标图像内部的复杂结构等,都给目标的识别任务带来很大的困难。本文提出了一种称为高斯卷积角不变量描述子,并应用于解决植物叶片图像和蝴蝶图像的识别问题。本文提出的高斯卷积角由描述形状特征的高斯卷积曲线角、描述目标内部区块结构的高斯卷积区块角和描述目标外观特征的高斯卷积外观角构成。高斯卷积曲线角是由轮廓点引出的左右邻域的弦向量,分别与高斯函数卷积,产生的左右卷积向量的夹角;高斯卷积区块角是将区块函数投影到左右邻域的弦向量,生成区块向量,再与高斯函数卷积产生的左右卷积区块向量的夹角;而高斯卷积外观角是将灰度函数投影到左右邻域的弦向量,计算每个弦向量的灰度统计特征,生成外观向量,再与高斯函数卷积产生的左右卷积外观向量的夹角。本文提出的高斯卷积角具有如下优点:(1)满足平移、旋转、缩放、镜像变换,以及光照变化的不变性(文中给出了理论证明);(2)具有多尺度的描述特性,通过改变高斯函数的尺度参数,可以生成多尺度的高斯卷积角;(3)对目标图像进行了综合的描述,该方法有效的描述了目标图像的形状、复杂的内部结构和外观特征。为了验证高斯卷积角描述方法的有效性,本文用公开的植物叶片图像库:CVIP100叶片图像数据库和MEW2012叶片图像数据库,测试该方法的性能,并在公开的Kimia数据集上测试其鲁棒性。实验结果表明,该方法比现有的流行的植物叶片图像识别方法,具有更高的识别率,而且更加鲁棒。不同种类的蝴蝶图像具有高的形状地相似性,但有着不同的区块结构和外观模式,本文将高斯卷积区块角和外观角应用于蝴蝶图像的识别,用公开的蝴蝶图像测试集验证其识别性能。