计算机和信息技术的快速发展,使得图像识别技术的应用也愈来愈普遍。而图像表示作为图像处理的基础,在计算机视觉和图像识别中发挥着越来越重要的作用。近年来,复杂网络理论引起了众多研究者们的兴趣。图像的复杂网络特征大都是统计特征,而这种特征不仅具有很好的稳定性,而且具备较强的抗噪声能力。鉴于这一点,本文提出一种新的基于复杂网络模型的图像描述与识别方法,主要包括以下几方面的内容：基于复杂网络模型的图像表示,基于最小生成树分解和K近邻的两种不同演化方式,以及在动态演化下的图像特征提取；将传统的灰度直方图和复杂网络统计特征相融合,也即节点加权复杂网络模型的方法,实现了一种新的图像统计特征提取与识别方法。本文的主要工作和创新点如下：(1)针对传统图像的结构图特征稳定性较差的问题,提出一种基于复杂网络模型的图像描述与识别方法。定义网络的节点为图像的关键点,以此构造初始的复杂网络。在初始复杂网络模型上进行基于最小生成树分解的动态演化,生成一系列子网络。提取各个演化时刻下的子网络特征,完成对图像结构特征的提取。相关实验结果显示,相比于基于边权阈值的演化方法,本文方法可以更精确地刻画图像的结构特性。(2)为了更准确地描述图像结构,本文在无向图的基础上添加了方向信息。因此,提出一种有向复杂网络表示模型。首先提取图像的关键点作为网络的节点,构造初始的复杂网络；然后在初始网络模型的基础上进行基于K近邻的动态演化,生成一系列有向子网络；最后通过提取各个演化时刻下有向子网络的特征,实现对图像的特征提取和识别。相关实验结果显示,有向复杂网络模型方法下的图像识别效果更好。(3)传统的直方图方法丧失了像素点的空间位置分布信息。因此,本文提出一种基于复杂网络节点属性值(像素值)的演化方法,本文称之为节点加权复杂网络模型的图像结构特征提取方法,它将图像的内容特征与结构特征有机结合在一起,使得传统的直方图特征变成本文特征向量中的一维。首先,以图像的像素点作为网络的节点,构造初始的复杂网络模型,利用节点的属性值进行动态演化,生成一系列节点加权属性子网络。在提取子网络的拓扑特征时,加入子网络的节点个数组成最终的特征向量,进而完成图像的识别。实验结果显示,相比于传统的图像识别方法,该方法可以获得更高的识别精度。