纹理是计算机视觉的一个重要研究方向。与纹理相关的诸多问题一直没有得到有效的解决。纹理感知就是其中的一个基本问题之一。纹理感知研究可以帮助人类洞察基本视觉机理,也是理解、分析和应用纹理的基础。基于对纹理图像及其纹理特征的统计分析,本文从理论和实际应用的角度,对纹理感知以及与纹理感知相关的纹理分类与分割、纹理生成、基于纹理的运动分割等问题做一些新的探索。本文的主要贡献如下:(1)　将纹理视为基本视觉元素的线性组合,并通过拓扑图格独立分量分析(TICA)来学习这些基本元素。由于采用矩阵表示,基本元素可用于表达所有纹理图像。在此基础上,提出了一种提取视觉元的方法。视觉元是TICA学习得到的基本元素的代表,为研究纹理所包含的知觉元素提供了一种视觉线索。不同视觉元的个数被称为纹理图像的内在视觉维数。内在视觉维数越大,纹理图像呈现出更多的视觉模式。　(2)　通过TICA从观测纹理图像学习图像分离基,并将其转化为一组滤波器,实现了一种无监督纹理分割算法。对比实验分析表明,该方法可取得满意的分割结果。　(3)　开展了对纹理图像集合整体性质的研究工作。通过TICA对图像进行了整体分析,发现纹理图像与自然图像在整体属性上存在较大的差别。为“人类对于纹理识别中最重要的三个测度为周期性,方向性和随机性”这一结论给出了一个统计学习的证据。基于对纹理图像与自然图像之间既相区别又相联系的研究,提出了研究纹理图像知识的新方法,即纹理图像本体理论。分析了纹理本体的研究任务、技术路线以及与上层本体即图像本体之间的联系。(4)提出了一种新的标识纹理的方法。该方法充分利用“纹理是一种区域性特性”这一共识,使用探测点确定观测纹理所在的主导区域,采用谱聚类解决了其中的关键技术。　(5)　通过无监督纹理分割实验证明了ICA整合Gabor纹理特征的能力。整合后的特征具有更好的可分性。(6)　提出了采用控向金字塔作为桥梁传递统计信息算法,实现了有选择的统计信息传输,生成了新的纹理图像。实验结果验证了该方法的有效性。　(7)　提出了一种基于在线高斯混合模型和纹理支持的运动检测算法。由于采用纹理捕获序列图像结构特征,因而该算法对于亮度的局部变化具有较好的鲁棒性。