图像识别主要包括图像预处理、特征提取、分类识别等内容。深入挖掘图像中的特征信息,提高特征提取的可靠度,是图像识别的关键环节。图像识别可分为静态目标识别与运动目标识别。静态目标识别可以通过单帧图像分析来完成,而动态目标识别通常需要依据视频或者图像序列的时间、空间连续变化规律来实现。无论是静态目标识别还是动态目标识别,都要结合图像自身的特点及识别目标的相关知识,才能设计出具有更高识别率及更好实时性的图像识别系统。宫颈细胞及火灾烟雾识别是当今学术界关注的两类热点问题。以静态的宫颈细胞及动态的火灾烟雾作为研究对象,在深入分析细胞及火灾烟雾图像特征的基础上,设计了具有良好性能的宫颈细胞筛查系统及火灾烟雾探测系统。主要工作如下:首先,对于较复杂的静态目标,图像分割耗时长、难度大。为了解决这一问题,对H&E染色的宫颈细胞特性进行深入地分析,对比不同区块图像的特征,发现不同种类的块图像的纹理、颜色等特性呈现出较大差异,提出了用分块处理代替图像分割的思想,在此基础上,设计了一种基于块图像特性分析的宫颈细胞筛查系统。利用背景区块与非背景区块图像的特征差异,去除背景区块,减少后续处理量;随后,将非背景块分为正常块、异常块,对两种块图像的特征进行深入分析,并通过特征选择,提取出11个特征,通过T检验(p<0.001)验证了所选特征具有较大区分度;根据所选特征设计支持向量机结构及参数,实现正常、异常块图像的分类识别。通过对比实验证明,本文所设计的基于块图像特征的宫颈细胞识别系统,相较于基于分割的识别系统,在保证准确率的基础上,提高了系统的实时性,为临床应用提供了更多可能性。其次,常规的图像识别系统,通常需要人工选择识别对象的特征,使得系统具有较强的局限性,一般只对某种特定环境下的特定对象有很好效果。就宫颈细胞而言,已有的识别系统,通常只对某一种染色下的宫颈细胞效果较好,而对于不同染色下的宫颈细胞,需要设计不同的识别系统。针对这一问题,利用卷积神经网络的特征学习能力及支持向量机的分类优势,对卷积神经网络进行改进,用支持向量机代替传统卷积神经网络的输出层,构建了一个基于支持向量机的卷积神经网络。针对不同染色的宫颈细胞这一研究对象,设计网络的相关参数,实现正常、异常细胞的分类识别。通过对比实验证明,本文提出的识别系统比常规的卷积神经网络及支持向量机准确率更高。最后,仅采用静态特征模型不能描述目标的动态特性,且很难解决动态目标场景复杂、快速移动等问题。因此,对于运动目标的识别,需要结合静态、动态特性,综合分析。以火灾烟雾为研究对象,为了实现极早期火灾探测,利用烟雾特殊的湍流特性,对可疑运动区域轮廓的光流矢量特性进行提取,代替传统的对于整个可疑区域光流矢量的计算。在此基础上,提出了一套“动-静-动”的识别方案:先利用改进的帧间差分法检测出运动目标,排除静态物体的干扰;随后,通过检测运动区域的颜色模型及纹理特征,排除部分运动干扰;采用基于高斯金字塔的Lucas-Kanade光流法,分析运动区域轮廓的光流矢量,排除非烟干扰,确定烟雾区域。通过对比实验证明,本文提出的烟雾识别方案不仅保证了准确率,也提高了实时性。