纹理识别是图像识别领域的一个重要内容,迹变换是一种优秀的纹理图像不变特征提取方法,在各种复杂的情景下都对纹理特征都有着不俗的描述能力,为了进一步提高迹变换在各种受限环境下的识别性能和泛化能力,本文基于迹变换理论,提出了基于迹变换和词袋模型（Bag of Feature,Bo F）模型的多特征融合图像纹理识别方法和基于迹变换与旋转增量调制编码特征的识别方法。本文所提基于迹变换和Bo F模型的多特征融合图像纹理识别方法,首先通过关键点检测的方法获取纹理图像的碎片化图像,然后提取碎片化图像的迹变换特征和SIFT特征,通过特征交叉编码的方式和动态鉴别能量的方法,获取迹变换特征和尺度不变特征转换（Scale-invariant feature transform,SIFT）特征的融合特征并进行特征单词优选,以Bo F模型进行特征编码,最后输入到支持向量机（SVM）中进行训练、预测和识别,并使用标准的纹理数据集进行测试。本文所提出的基于迹变换与旋转增量调制编码特征的识别方法,首次将通信语音编码技术与图像变换技术相结合,通过迹线旋转扫描整幅图像,并对迹线上的采样信息进行增量调制编码,从而获得多角度、全局有序的结构特征。基于上述理论,提出了两种与迹变换相结合的特征提取方法,第一种为基于迹变换的旋转增量调制特征提取算法;第二种为基于迹变换的旋转分块增量调制特征提取算法,然后设计了在迹线上采样并进行交叉编码的特征提取方式和在统计直方图时降灰度级等特征优化方法,并对两种特征提取算法所获取的特征与原始的迹变换进行特征融合,最后使用支持向量机对样本图像的进行训练和识别。为提高各种不同特殊场景下的低质量人脸识别的精确性和鲁棒性,将本文所提出的两种算法应用于不同光照、不同拍摄角度、不同遮挡类型、含有噪声、不同模糊程度的低质量人脸识别之中,实验结果表明本文所提的两种算法在低质量人脸识别中有着较好的性能。