纹理特征提取是指通过一定的图像处理技术抽取出纹理特征,从而获得纹理的定量或定性描述的处理过程。局部二值模式(Local Binary Patterns,LBP)是最近发展起来的一种理论简单但功能强大的纹理分析算法,在计算机视觉等领域表现出良好的性能,并得到了较为广泛的应用和认可。本文将该纹理提取算法应用到人脸识别和手写体数字识别中,针对当前基于LBP特征的人脸识别中通用的K近邻方法中存在的最优解不唯一的问题进行了改进。同时,针对LBP方法在手写体数字识别领域应用还很少的现状,将该方法应用到手写体数字的纹理提取与分类中,取得了较好的识别效果,证明了其可行性,并为以后的相关研究奠定了基础。论文的主要工作与创新有:1.针对LBP算法在人脸识别中的特征提取阶段和分类阶段展开研究。在特征提取阶段,采用单一分块、多层分块以及滑动窗口等多种方式实现对LBP特征的提取,并对这些方法在识别率以及效率上进行了对比;在分类阶段,针对K近邻(K-Nearest Neighbor,KNN)算法中存在的多最优解问题,提出了采用增加最近距离优先级从而在最优解中做出选择的方法,提高了识别率。基于Yale A人脸库(Yale Face Database A)进行了相关方法和改进的实验,通过对实验数据的分析,验证了方法的正确性和改进的有效性。2.将LBP方法应用到手写体数字识别领域。在MNIST手写体数字库(MNISTHandwritten Digit Database)进行了基于LBP特征的手写体数字识别实验,取得了较为理想的识别效果,表明了LBP方法在手写体数字识别应用中的可行性。