模式识别是随着人工智能和计算机视觉研究的兴起而得到迅速发展的新理论和新技术，在图像技术和遥感研究等很多领域中都发挥着重要的作用。对模式识别进行研究，具有重要的理论意义和应用价值。本文对模式识别领域中的图像纹理特征提取、遥感图像分类、BP神经网络与纹理特征组合分类等方法，以及它们在云团属性识别、云迹风反演和暴雨过程分析等气象问题中的应用作了研究。 针对过去利用图像光谱亮度特征进行识别分析气象卫星图像准确度不高的问题，本文提出了发展混合像元的分解模型，以图像的纹理特征为基础，提高图像识别的智能水平，以实现在分析决策模型的支持下，快速准确的复合分析的解决方案。并以2003年7月4日—5日发生在江淮流域的特大暴雨过程为例，对该方案进行了验证。 论文的第一部分介绍了进行纹理特征研究的一些典型的方法，利用其中的基于统计的纹理分析法中的灰度共生矩阵以及灰度一梯度共生矩阵法，分析了卫星云图上五类区域的纹理特性；第二部分主要介绍了遥感图像分类原理以及神经网络中的BP算法，在对算法原理进行深入理解的基础上，把纹理特征与神经网络进行组合，实现对卫星云图进行分类分析；第三部分内容是在前面图像分类结果的基础上，对序列图像用相关匹配法进行运动分析，反演云迹风风场。通过对2003年7月4—5日暴雨过程的试验分析发现，使用纹理特征作为整个分析决策模型的基础是十分合理的，另外改进的基于纹理分类的云迹风反演技术，由于精度的提高，使诊断水平有了很大的改善。由它所表示的2003年7月5日07—08时的高空风场上，可以清楚地看到一个北边辐散，南边辐合的反气旋环流，这些细节有效地帮助了常规方法，使其对天气过程做出合理的诊断分析。