图像识别是实现智能技术的重要手段之一,广泛应用于金融、交通以及人工智能等领域。图像特征提取对识别效果有至关重要的作用,国内外学者都对特征提取提出了许多方法,主要有基于几何特征的图像识别方法、基于全局特征的图像识别方法、基于人工设计特征的图像识别方法、基于卷积神经网络的图像识别方法等。这些方法在图像发生旋转、平移时,识别的正确率都会受到不同程度的影响。因此,提出一种不依赖于像素点位置和顺序的方法具有重要的工程实践意义。在过去十几年来,复杂网络方法在图像识别领域已经取得许多研究成果。复杂网络基于图论构造模型,将像素点抽象为网络节点,提取网络的拓扑度量参量作为图像识别的特征。现有的复杂网络图像识别方法表明,以像素点作为节点,对灰度图像建立复杂网络模型,模型的拓扑参量不依赖于节点的顺序和位置。但是,复杂网络图像识别方法的缺点是网络节点规模大、建模困难,网络复杂度高,由此造成拓扑特征参量提取运算时间长。因此,本文在现有的复杂网络图像识别方法的基础上,提出基于结构平衡的复杂网络图像识别方法。该方法以像素点作为节点,先通过灰度乘积构建节点间的连接关系生成初始网络,然后再通过Hadamard变换模板映射初始网络而建立灰度图像的结构平衡网络,以此为基础提取图像特征参量,本文的主要工作如下:1)本文提出使用两节点间的灰度值乘积作为连接边的权值。相较于采用欧氏距离生成网络的连接边的方法,本文的建模方法不仅减少了建模过程中的计算量,降低建模难度,同时也减少了图像特征提取的运算量。2)本文提出利用Hadamard变换模板生成灰度图像的结构平衡网络,并通过使用选择函数建立灰度图像的辅助0-1网络,用以辅助提取图像的特征参量。相较于传统的基于距离阈值建立灰度图像复杂网络模型的方法,本文方法减少了阈值函数选取的数目,因而提高了计算速度。3)本文利用结构平衡网络可分类的性质提取图像特征参量,特征参量具有网络拓扑意义,因而减少了图像对欧氏距离的依赖。本文通过Leaf库、HPI库、Yale库验证本文方法的有效性,并将本文方法与传统复杂网络图像识别方法的对比;实验表明,本文方法的建模时间以及特征参量提取的运算时间都明显低于传统复杂网络图像识别方法。