动态纹理是复杂动态物体的视频序列，展现出在时间域上的某些稳定性质，可以为各式各样的视频处理任务提供至关重要的视觉线索。而动态纹理分类是就是利用动态纹理属性识别出区域或者对象的类型，它是动态纹理分析中一项非常重要的环节。尽管对这方面的探索已经做出了很多努力，但是动态纹理分类仍然是一个有趣且充满挑战性的研究领域。　　传统研究方法中，动态纹理常被认为是线性动态系统的输出。虽然这类方法可以结合动态纹理的运动和外观属性，但是线性动态系统中的状态变量和观测变量都是连续的并且服从高斯分布，这与动态纹理的实际表现不符。隐马尔可夫模型与线性动态系统有着完全相同的结构，然而模型中状态变量是离散的，且观测变量可以服从任意分布，更适合进行动态纹理描述。所以，本文的主要工作内容如下：　　1．将经典隐马尔可夫模型理论的比例因子方法推广到高阶隐马尔可夫模型，重点解决高阶模型在参数重估过程中的数值下溢问题。同时简单讨论了模型解码问题，根据一阶和三阶 Viterbi算法理论给出了一般意义上的适用于高阶隐马尔可夫模型的Viterbi算法。　　2．提出一种基于极大似然准则的动态纹理分类方案。首先将动态纹理视频中像素强度序列用隐马尔可夫模型来建模，其中动态纹理的外观信息由观测变量编码，随着时间变动的动态属性由隐状态来表示。该模型依据的原理是拥有任意激发概率分布的观测值和高阶隐马尔可夫模型中隐状态的高阶依懒性可以产生对动态纹理更好的表示。然后利用极大似然分类准则判断待分类样本的所属类别，通过与基于线性动态系统的方法作对比，分析所提方案具有的分类性能。　　3．提出一种基于相似性测距的动态纹理分类方案。借鉴“系统包”模型的思想，在使用隐马尔可夫模型对动态纹理建模之后，通过K-均值和K-中心聚类算法得到代表性模型，并定义出不同序列之间的相似性，然后提取表征动态纹理的特征向量，分别利用K近邻分类器和支持向量机分类器对测试样本进行分类，最后通过仿真实验验证该方案的分类效果。