特征提取与模式分类是模式识别中的两个基本问题,也是该论文工作的主要线索.论文从纹理特征提取和纹理图象分割入手,提出了一种基于最优特征空间类间可分离性的滤波器组设计准则,之后重点讨论了基于核密度估计的非监督聚类方法-均值移动算法.我们还全面分析和完善了动态均值移动算法,并提出了特征空间重采样策略,从而有效提高了均值移动算法的分类速度.论文的主要工作包括:①研究了纹理图象频域特征的形成和提取,在此基础上提出了一系列滤波器参数设计的准则,目的是在Fisher准则的指导下构造具有尽量好的类间可分性、相关性小,维数较低的特征空间.实验结果表明,给出的滤波器组参数选择标准在保持较好分割效果的情况下,能够明显降低分类器设计的复杂度和分类过程的计算量,从而提高纹理图象分割的速度.②研究了均值移动聚类算法的一些基本问题.(1)分析了现有的带宽选择方法对于样收敛的影响,并提出了一种具有更高优化精度和适应性的混合带宽选择方法.(2)严格证明了在采用二次核函数时,样本均值移动的经典优化本质-牛顿法寻优并对[51]中的"blurring process"进行了深入的分析,在此基础上提出了完整的动态均值移动算法,包括新的带宽选择方法和收敛停止准则.通过对样本集合的动态更新和更有效的叠代停止标准的设计,动态算法的样本收敛速度比静态均值移动有了显著提高.该文对高斯分布情况下静态与动态均值移动算法的样本收敛速度进行了理论上的分析和比较.实际样本分类和图象分割实验表明,动态均移动算法在保持了良好分类效果的前提下明显的提高了算法速度.③将动态均值移动算法结合图象空间信息,采用局部的特征空间聚类来完成图象分割,并与基于联合域分析的静态均值动算法做了比较.该章还提出了均值移动的快速算法-基于特征空间重新采样的均值移动算法.通过把原样本集合分解成一系列样本子集,用样本子集中心和集合大小作为样本分布的近似描述,极大的降低了均值移动算法的复杂度,同时保持了满意的分类精度.图象分割实验表明,重采样策略将均值移动算法速度提高了两个数量级,并保持了满意的分割效果,是一种非常实用的彩色图象分割算法.