目标图像识别是机器视觉技术的重要组成部分,精度与速度是衡量目标图像识别算法的两个重要的指标。目前图像识别方法有很多,其中应用最广且最有效的方法是基于图像形状轮廓的识别方法。与其他常用的方法相比,基于轮廓的识别方法不但能够简化识别过程,减少计算机处理过程中的存储空间,而且有较高的识别速度和准确率。但是,由于图像形状轮廓点具有顺序性,轮廓点的位置和排列顺序对轮廓识别有很大的影响,特别是当图像轮廓在平面上发生旋转、平移和缩放变化时,运动不变性成为图像形状轮廓识别方法分类功能的一个重要考量。因此,建立一种较少或不依赖关联性和顺序性的分析目标图像边界形状的定量化方法是非常必要的。复杂网络作为一个新兴的研究领域,其基本理论方法已经广泛应用在生命科学、工程科学以及社会科学等领域中。复杂网络是一种以图论方法描述复杂系统的网络模型,这种模型由众多节点以及节点间的连接关系构成,节点间的关联性与顺序性呈现拓扑特性而与欧氏度量无关。现有研究结果表明,利用复杂网络拓扑特性改进图像轮廓识别定量化方法,是解决图像边界形状识别不依赖关联性和顺序性的一条有效途径。值得注意的是,欧氏距离是现有的图像轮廓网络建模方法的基础,而欧氏距离在计算网络节点之间的距离时,有忽视横轴和纵轴坐标之间差异的缺点,容易产生冗余的节点连接边,增加了网络复杂度。有鉴于此,本文在已有研究的基础上,主要在“形状轮廓识别方法与复杂网络方法相结合”、“新的图像轮廓提取方法”以及“改进网络节点间的距离度量方法”等三个方面展开研究,提出了以球面距离作为度量基础进行网络建模的新方法,发现了基于欧氏距离的方法更适用于处理直线形图形,而基于球面距离的方法更适合于处理圆弧形图形,这在在一定程度上弥补了基于欧氏距离的网络模型不适应处理圆弧形图像的问题,进一步丰富了利用复杂网络模型拓扑参数揭示目标图像特征的理论方法。相比于传统的欧氏距离建模方法,本文的方法具有以下优点：(1)在相同阈值下,边缘网络节点数量少,计算机处理过程中所占的存储空间小,计算速度快；(2)球面距离方法所建立的网络模型的度分布更加符合幂律分布特性,所具有的复杂网络拓扑特征更加明显,能够有效适应图像边缘轮廓的改变,在提高识别率及识别速度上具有可行性。