感知纹理在计算机视觉，模式识别等领域是重要的研究课题，不论是在互联网传输领域还是人们实际生活中都有着重要的意义。本文通过对感知纹理分类实验结果的分析，探寻纹理中某些看得见的纹理块，以及这些纹理块和感知纹理分类之间的联系。从特征提取入手，通过对大量纹理块的聚类分析，优化，以及纹理分类实验，最终得出了描述纹理的可视化特征块。　　目前基于可视化特征块的纹理描述是一个热门研究方向，其中大多数工作都是在监督模式下进行的，很多工作是提取非常小的纹理块信息，难以表现详细的可视化特征。本文是在无监督模式下提取的特征块，其中特征块的大小是80*80，提取纹理中有区分性的特征块，包含丰富的视觉信息，并且探寻这些特征块和感知纹理分类的关系，通过得到的可视化纹理块进行感知纹理分类实验。　　特征块提取过程中，本文对传统的K-means聚类算法进行了大量的改进，提出了一种改进的K-means聚类优化算法。传统的K-means聚类算法在对大量纹理块进行聚类的时候，通过不断的迭代来改进聚类的中心，这样得到的聚类包含大量重复性的信息，效率不高。本文提出一种基于SVM（支持向量机）的迭代训练方法，舍弃那些区分性较差的聚类，重新包含有区分性的新聚类，直到新聚类接近收敛为止。然后，把聚类分析得到的纹理块信息应用于感知纹理分类实验中，与传统的纹理分类实验相比较，通过感知纹理分类实验进一步验证本文得到的纹理块。