图像识别领域中,有偏移图像识别因其问题实用性与困难性成为热门分支之一。在实际场景中,图像往往会受到光照、遮挡、倾斜等因素的干扰,使得这一类问题存在较大的识别压力以及较低的识别率。因此,有偏移图像识别得到许多研究者的关注,进而研究者们展开了对各种偏移因素影响下的各类图像识别研究,如有偏移人脸识别、有偏移车牌图像识别、有偏移数字图像识别等。在此背景下,本文基于频谱柱状图特征中的代表—PCANet特征,对有偏移图像识别进行了深入的研究。本文的主要研究内容和贡献如下:1.基于对有偏移图像识别研究相关文献的整理及阅读基础上,通过实验分析了现有的三类图像特征提取方法,得到频谱柱状图特征对有偏移图像识别比较有效,为本文的研究工作打下良好的基础。2.探究了以PCANet特征为代表的频谱柱状图特征在进行图像识别时网络滤波器和编码图的生成方式对偏移图像识别率产生的影响,提出了基于FPH(Feature MapPattern Map-Histogram)的偏移图像识别网络。在本文提出的偏移图像识别网络里,通过提出PCA滤波器自卷积以及与其他滤波器交叉卷积的方式生成网络滤波器,解决了直接通过增加PCANet卷积层数的方式增加网络滤波器不能有效提升网络对偏移图像判别性特征的提取能力问题;并结合稠密编码方案生成模式图特征,使得网络特征丰富的同时且能有效提取偏移图像判别性特征。实验表明,提出的方法在AR、LFW、MNIST variations等流行的Benchmark数据集上均取得较好的识别结果。3.通过分析基于频谱柱状图特征的有偏移图像识别网络结构,从保持网络性能与提升识别效率两个方面出发,提出了多通道式特征降维算法。本算法基于偏移图像特征学习遵循“稀疏性”这一基本准则,通过多通道特征降维,在保证识别率的同时,去除了影响网络识别率的过于冗余的特征,从而提升了网络识别效率。通过在AR、LFW、MNIST variations等流行的Benchmark数据集的实验结果发现,利用本文提出的降维算法,不仅使网络模型提升了图像识别效率,而且能获得接近原先网络相近的识别率,在高维数据上甚至超过原网络。