作为图像特征提取技术的研究热点之一,对图像的尺度不变性特征的分析与研究越来越受到人们的重视,其核心是通过提取图像中具有尺度不变性的特征点,生成对位移、放缩等具有较强不变性的图像特征,以利于后续的图像处理任务。本文基于图像滤波与特征提取的相关理论,重点研究了具有尺度不变性的图像特征提取算法及其在图像分类中的应用。首先,研究了经典的图像滤波算法,详细分述了各算法的思路、流程及特点。并针对原有的高斯滤波与Gabor滤波存在的局限,提出了基于高斯Gabor混合滤波的图像滤波算法。在不同评估体系下进行的图像增强实验表明,所提的基于混合滤波方法的增强效果优于传统的图像滤波方法,突出了图像中的重要信息,提升了图像的视觉效果,为改进尺度不变特征提取算法提供了基础。其次,研究了基于尺度不变性的图像特征提取算法。针对SIFT(Scale Invariant Feature Transform)算法中提取特征数量少、分布不均匀、提取错误特征等问题,结合高斯Gabor混合滤波提出了一种GSIFT(Gabor SIFT)算法。GSIFT算法通过使用高斯Gabor混合滤波函数替代高斯函数构建图像尺度空间,在保证提取到的关键点具有尺度不变性的同时,能够补偿尺度空间中因高斯模糊丢失的图像细节信息,从而产生更加丰富、均匀、准确的图像特征。在多个标准图像数据库的大量匹配实验表明,所提算法在提取特征方面较之传统的SIFT算法具有更高的图像匹配正确率,特别是在光照和仿射的干扰下,仍有较强的鲁棒性。最后,研究了基于尺度不变特征的图像分类,即通过GSIFT算法所提取的特征进行图像识别应用。针对SIFT系列算法提取的特征具有一定冗余性的缺点,先利用特征降维方法显著降低GSIFT算法生成特征的维数,再辅以最近邻分类器决策。在多个图像数据库和实测雷达辐射源信号集上的分类实验表明,基于GSIFT的降维分类算法能有效地降低特征的冗余性,而且较好地保留了图像的尺度不变核心特征,并且其分类效果明显优于基于SIFT的降维分类算法。