纹理分类作为计算机视觉的一个重要研究课题,在众多应用领域都产生了深远的影响,如何提取一种具有较好区分能力的纹理特征是其关键。早期的纹理特征提取方法都是建立在单一尺度上,小波变换作为一种新兴的多分辨率分析方法,以其良好的时频局部分析能力,在纹理特征提取方面得到了广泛应用。局部二值模式(LBP)是近年来发展起来的一种有效的纹理描述算子,它具有较强的旋转和灰度不变性,可以有效克服旋转和光照不均匀问题。支持向量机是一种建立在统计学习理论基础上的新的机器学习技术,它在处理高维空间的分类问题方面具有很好的优越性,近年来得到了广泛的关注。论文重点分析了目前效果较好的几种纹理特征提取算法,并结合支持向量机对纹理图像的分类问题作了相关研究,主要内容包括：(1)提出了一种基于双树复小波变换(DT-CWT)和支持向量机(SVM)的纹理图像分类方法。该方法采用具有良好的方向选择性、近似的平移不变性等特点的双树复小波变换,通过DT-CWT对待分类的纹理图像进行多层分解,提取各子频带重构图像的均值和方差组成特征向量,最后利用支持向量机作为分类器实现纹理图像的自动分类。(2)针对纹理图像分类中的旋转不变性问题,提出了一种基于改进型局部二值模式和支持向量机的纹理特征提取与分类方法。与常见的采取对数极坐标(Log-Polar)变换将旋转和尺度变化转变为平移的方法不同,改进后的LBP方法可以直接从原图像提取灰度和旋转不变纹理特征。仿真实验结果表明,该方法能够有效解决纹理的灰度和旋转不变问题。(3)将纹理分析方法应用于低维纳米材料形貌检测和分类鉴别。以纳米材料的SEM图像为基础,利用小波包分解技术对材料表面纹理特征进行提取,将纹理特征与支持向量机相结合,利用纹理分类的方法实现纳米材料的自动识别。仿真实验结果表明,该方法的识别精度能够达到93.75%,证明了其在实际工程中的有效性。