作为一种广泛存在的图像模式,纹理自然成为计算机视觉,图像处理方面的重要研究课题。近年来,纹理图像的分类算法一直受到人们的关注,人们提出了各种各样的纹理特征提取和分类方法,并取得了一定的成果。就目前而言,大多数分类算法都是基于传统模式的分类器进行的,在一定程序上了制约了分类算法的正确率以及速度。本文将纹理图像的识别分成两个主要环节:首先利用Contourlet变换对纹理图像进行预处理,选择合适的重构方法提取纹理图像的特征向量;然后构造相应的超香肠神经网络模型进行特征向量的识别工作。多尺度几何分析方法是近几年在小波变换的基础上发展起来的一类有效信号处理的方法。文中介绍了多尺度分析的热门工具—Contourlet变换,与小波分析不同的是,它主要是在多尺度几何分析方法中加入了方向因子,而且其理论基础首先完成的是离散域的Contourlet构建,随后将其由离散域扩展至连续域,并探讨了其在图像处理中的应用。运用仿生模式识别理论建立起识别神经网络模型。仿生模式识别与传统模式识别的区别就在于它是从“认识”而不是“区分”的角度来进行模式的识别,是对学习样本的全体在特征空间中形成的复杂几何形体“形状”的分析以及“认识”,为利用高维空间理论建立识别神经网络提供了理论基础。本文从Vistex纹理图像库里面构造了14类(512×512)图片进行了实验。首先利用Contourlet变换对纹理图像进行预处理,利用多尺度能量显著的方向子带对图像进行重构,将不同频带的纹理信息分开描述,然后对重构图像进行重新采样,计算得到具有多分辨率特性的特征向量,最后采用超香肠模型神经网络进行纹理图像的识别,其最佳的分类率可达到99.45%。实验结果从多方面验证了本方案的合理有效性。