抽取图像的有效特征是完成基于图像的目标检测和识别任务的关键。图像有多种特征,如直观性特征、像素灰度的统计特征、变换系数特征以及代数特征等,不同的特征虽然都能表示和鉴别图像,但反映图像不同的特性,所以不同的特征用途不同,用于检测和识别时的性能也会不同,适宜的应用背景也不同。因此如何根据应用需要选择合适高效的特征抽取方法、如何改进和提高现有特征抽取方法的性能,都很值得进一步研究。本文在分析了图像特征抽取方法的研究现状后,对图像的像素灰度统计特征、变换系数特征、代数特征、直观性特征等特征的抽取方法,及其在人脸检测、人脸识别和火焰检测等方面的应用进行了进一步研究,提出了多种更加有效的特征抽取方法。基于AdaBoost和Cascade算法的人脸快速检测方法是当前主流方法,但该方法训练检测器非常耗时,限制了该算法的应用前景,同时也导致检测系统不能灵活扩展。针对该问题,本文提出了Haar-Like特征值量化的思想,由此提出了改进的基于特征值划分的AdaBoost算法;基于量化后的特征值,可分别计算得到人脸和非人脸样本的权重直方图,根据权重直方图可以快速计算出每个特征对应的简单分类器的阈值;在分析了人脸样本和非人脸样本特征值的分布特性后,提出了应用权重直方图的DW-AdaBoost双阈值快速算法。在MIT-CBCL人脸和非人脸训练图像库上的实验结果证明了所提出算法的有效性。在MIT+CMU正面人脸测试集上的实验结果也表明,所提出的算法简化了人脸检测器的训练过程,不仅提高了人脸检测的训练速度,也提高了检测速度和检测精度。线性鉴别分析(LDA)是特征抽取中最为经典和广泛使用的方法。一般的LDA方法是在原始图像上抽取特征,受光照变化、噪声、图像旋转等的影响比较大,在抽取出全局特征后,还损失了一些局部鉴别信息。针对这些问题,提出了多尺度分块特征抽取的算法思想,使用图像的变换系数特征和奇异值特征,基于线性鉴别分析算法实现了人脸识别。分别提出了基于离散余弦变换的多尺度低频特征组合的LDA方法(MSLF+LDA)和多尺度奇异值特征组合的LDA方法(MSVD+LDA),实验结果证明了所提出的方法不仅能够抽取具有较高识别率的人脸特征,而且实现了降低原始特征数据的维数。针对单一特征表示图像时的局限性,又提出了使用多尺度奇异值特征,再融合多尺度低频特征进行人脸识别的多尺度多特征的LDA特征抽取方法(MMFF+LDA),并提出了一种加权并行融合方法(WMMFF+LDA)。在ORL人脸图像库、Yale人脸图像库、NUST603人脸图像库,及FERET人脸图像库上的实验结果显示,使用MMFF+LDA和WMMFF+LDA方法人脸识别性能明显提高,在不同的人脸图像库上都有较强的鉴别能力,性能稳定,算法的鲁棒性好,泛化能力强。图像的色彩及轮廓信息也是图像的重要特征,本文建立了应用于火焰检测的一种色彩模型,并提出了基于连通区域面积阈值化的单像素宽度目标轮廓特征的抽取方法,根据火焰色彩的分布和边缘轮廓动态变化等特性,实现了在视频序列图像中火焰的自动检测。实验结果显示,该方法能实时检测火焰,误判率低。