随着科技的发展与社会的进步,人类已经步入一个崭新的数字化信息时代。在数字信息的分析、处理和使用过程中,图像作为一种重要的信息载体,对其进行有效的表示和研究,是一件十分有意义、有价值的事情。而图像特征提取和识别正是有效使用数字图像信息的关键前提和基础,它的研究在模式识别、计算机可视化、军事安全、测绘遥感、机器学习、人工智能等领域都具有非常重要的意义。图像特征提取相关问题的深层次研究及其解决方法能够大大推动诸如模式识别等相关学科的前进与发展,有着广阔的市场前景和应用价值。本文结合云模型理论与数据场理论的优势,研究了基于云模型和数据场的图像特征提取与识别新方法及其应用,以实现图像特征快速有效的提取、分析、处理、识别及应用的目的。主要包含两大方面的研究：基于云模型的图像特征提取与识别应用研究与基于数据场的图像特征提取与识别应用研究。图像特征提取与识别过程中常常隐含着图像数据的模糊性和随机性,同时二者又构成一定的关联。传统的图像特征提取与识别方法通常仅在单方面考虑了模糊性,或者单方面考虑了随机性。针对该问题,本文以云模型为理论基础,综合分析图像特征中的模糊性、随机性以及它们之间的联系,研究不确定性图像特征提取与识别的新方法。以人脸图像为例,给出了基于云模型的图像特征提取方法,用云模型的三个云数字特征(期望Ex、熵En和超熵He)来表示图像特征与概念,模糊性、随机性以及二者之间的联系。利用人脸图像的云数字特征,提出了基于云模型的表情识别框架,并给出了具体算法步骤。作为图像特征提取应用的延伸,研究了基于云模型的人脸表情合成方法,给出了具体的实现方法和实现过程。使用该方法合成的人脸表情图像能够整体展示人脸的不同表情,同时丰富人脸表情现有表现特征。针对时序图像特征提取较为困难这一现状,给出了基于云模型的时序图像特征提取新方法,并将该方法推广至时序图像预测领域,实现了时序图像特征的预测。研究了基于数据场的图像特征提取与识别新方法及其应用。首先,对数据场在图像特征提取中的相关理论进行了补充与延伸,结合相对论,给出了时变数据场的分析方法及步骤。其次,对数据场可视化方法进行了研究,给出了多维数据场可视化方法,实现图像数据处理过程中提炼知识过程的可视化表示,从而更易于人们发现知识的真实性和可信性。最后,论文研究了基于数据场的图像特征提取在行为挖掘中的应用,并以人物轨迹图像为应用实例,给出了一种图像征提取与识别方法,实现了空间物体的行为挖掘。