纹理作为物体表面的一种基本属性，由于它能很好地表征图像，因此被广泛应用于图像分析中。纹理分析是利用图像处理技术从图像中提取重要的表面灰度信息，并对纹理特征进行分析的技术。图像纹理特征提取和基于纹理的图像分类是纹理分析中两个重要的研究课题。针对这两个问题，本文研究了多种纹理特征提取方法，并结合纹理特征和模式识别中常用的分类算法实现图像分类。在纹理特征提取和图像分类方面所做的工作主要有以下几个方面：综述了纹理分析的四类方法：统计法、频谱法、模型法和结构法，分别对几类方法中常用的方法进行详细论述，并对它们之间的优缺点进行了比较。另外，对常用的图像分类方法进行综述，包括K近邻法、K-means聚类、决策树、Boosting算法和支持向量机，分别介绍它们的分类思想。选取四种常用纹理特征提取方法进行深入研究和实现，分别是灰度共生矩阵、Tamura纹理分析法、Gabor滤波器和局部二值模式（LBP）。对它们各自的算法思想进行了详细介绍，并通过实例给出它们的具体实现过程。研究了基于K-means聚类的纹理分类，纹理特征提取方法采用的是Gabor变换法，实现了纹理图像的多分类问题。另外，还研究了模糊K-means聚类与灰度共生矩阵结合的图像分类，并比较了两种方法各自的优缺点。针对图像分类的一个扩展应用——人脸识别，重点研究了基于支持向量机的多分类问题，纹理特征由Gabor滤波器生成，并使用主成分分析（PCA）对特征数据进行降维。实验选取ORL和YALE人脸数据库，研究了识别率与特征维数和训练样本数目之间的关系。最后，对本文所做的工作进行归纳总结，并对纹理特征的进一步研究和应用进行了展望。