古陶瓷是历史发展过程中科技水平、艺术风格、文化元素等的综合反映,尤其中国古陶瓷,通过精湛的工艺技术与丰富的器型和纹饰特征,淋漓尽致地展现了中国传统文化的精髓,具有重要的历史、艺术与科学研究价值,也具有收藏和投资等价值。现今,文物的真伪鉴别正在遭遇前所未有的信任危机,并且现有的古陶瓷“目鉴”和“科鉴”方法都存在着某种局限与偏差。由于因地制宜的原料选择,不同的成型和装饰工艺,以及烧成温度等的不同,造就了丰富的器型和纹饰图像特征。对“目鉴”中存在器型、纹饰特征不可量化描述,鉴定结论过于依赖主观的问题,本研究中通过机器对古陶瓷器型、纹饰和铭文款识三个主要视觉特征进行提取、量化和识别,探讨机器替代专家进行古陶瓷无损智能识别的思路和实现方法。具体研究结果如下:(1)古陶瓷的图像特征与具体原料选择和工艺技术密切相关,完整获取古陶瓷的图像特征是实现古陶瓷图像特征识别的前提。由于区域生长古陶瓷图像特征提取方法提取的质量与背景像素密切相关,且不具备可泛化性。本文提出了一种基于深度学习提取方法,以EasyDL为深度学习支撑平台,对耀州窑、青花瓷和越窑5834张272类古陶瓷图像经过手动标记和训练学习后进行提取验证,结果显示平均完整提取率高于99%。对深度学习方法的实现进行总结并与传统区域生长提取方法进行对比,结果表明该方法随着学习量增加提取质量呈鲁棒性变化,具备可泛化性,是一种有效实现古陶瓷完整图像特征提取的新方法。(2)由于古陶瓷原料和工艺的不同,造就了丰富的器型特征。为实现多类型器型图像特征的识别,本文提出了一种由二值化(大津二值化)、形态学处理(腐蚀、膨胀、分水岭)的古陶瓷器型特征提取、八链码特征一致性检测、相似性检测的古陶瓷器型图像特征提取与识别方法。对梅瓶和胆瓶进行器型特征提取和识别验证,识别率分别为97.12%和98.36%;对青花瓷、耀州窑、越窑三个类型选取26个器型图像特征批量提取和识别验证,其中24个器型的平均识别率高于90%,2个由于器型特征复杂和图像质量问题无法提取和识别。验证结果显示该方法是一种有效实现古陶瓷器型图像特征提取和识别的新方法。(3)由于釉料选择、微量元素含量、装饰和烧成工艺的不同导致了古陶瓷纹饰图像特征的复杂化,且其中含有丰富的颜色和纹理特征并在机器和人类视觉下的呈现出多种特征规律。为实现古陶瓷纹饰图像特征识别,本文提出了一种将灰度共生矩阵(机器视觉)和Tamura纹理(人类视觉)特征融合,平均欧式距离为识别结果;颜色直方图(机器视觉)和HSV颜色空间(人类视觉)特征融合,平均相似度为识别结果的多维特征融合古陶瓷纹饰图像特征量化识别方法。对耀州窑和越窑青瓷、粉彩、珐琅彩等4个纹饰图像特征增加20%椒盐噪声和部分缺失后进行识别验证,结果显示增加20%椒盐噪声后纹饰颜色特征中HSV特征和颜色直方图特征变化明显,平均识别率低于80%;纹理特征中灰度共生矩阵和Tamura纹理特征向量间的欧式距离变化较大。随机部分缺失后颜色特征中HSV空间和颜色直方图的变化较小,平均识别率高于90%;纹理特征中灰度共生矩阵和Tamura纹理特征向量间的欧式距离变化较小。结果表明该方法能够有效实现不同年代、窑口古陶瓷纹饰图像特征的量化识别。(4)古陶瓷铭文款识视觉特征与原料选择、元素含量和装饰工艺等密切相关,由于科技进步的原因产生了丰富的铭文款识类型。为有效识别铭文款识图像特征,本文提出了基于深度学习(无监督学习)的铭文款识图像特征分类识别方法。以EasyDL平台为支撑对明清两代官窑铭文款识图像特征进行局部增强后训练学习,并对训练结果进行验证。540张12类“大明宣德年制(製)”与1200张20类明清两代铭文款识特征分类识别中,识别率均最高接近100%,最低高于97%,平均高于99%。结果表明该方法能够有效且全面的识别古陶瓷铭文款识图像特征。(5)古陶瓷是一类特殊的材料产品(作品),根据其原料选择、工艺不同等产生了多样化的图像特征,为实现古陶瓷图像特征的识别以古陶瓷整体图像特征提取、器型特征提取与识别、多维特征融合纹饰图像特征量化识别和基于深度学习铭文款识图像特征分类识别方法实现为基础;以三层B/S架构web应用系统、跨平台系统语言调用为架构支撑;以数据库服务、深度学习封装、数字图像处理第三方调用为具体实现方式;并提出了服务层融合和再学习机制,初步实现了古陶瓷器型和纹饰图像特征智能识别系统。验证测试后结果符合预期,验证了古陶瓷器型和纹饰图像特征识别系统的有效性。