动态纹理通常通过线性动态系统建模。这种方法灵活,内存损耗小,可编辑。然而,由于这种过于简单的噪声驱动线性动态系统模型并不总是稳定的,这种方法很难生成长时间的高质纹理视频序列。针对线性动态系统中线性观测模型的欠拟合问题,本文首先提出了一个新的动态纹理生成框架。该框架在经典的线性动态模型里嵌入一个新提出图像重建方法来增强纹理图像细节。实验证明,在标准的动态纹理库上,这种方法对于动态纹理生成效果显著。通过对于线性动态系统的深入研究,本文进一步提出经典的线性动态系统可以通过一个简单的主成分回归模型(PCR)来近似。同时,为了拟合纹理视频帧之间的非线性结构,将PCR模型核化,提出基于核主成分回归模型(KPCR)的动态纹理生成方法,实验证明,这种方法有效提升了纹理视频的建模与生成能力,且提高了算法的稳定性及对噪声的鲁棒性。为了满足电子设备,包括手机和平板对于算法实时在线处理的需求,本文放弃了经典的状态模型,引入信号处理领域中的量化核最小均值二乘方法(QKLMS)来逼近由KPCR取得的效果,本文将这种方法称作核自适应动态纹理生成(KADTS),这种方法具有低内存损耗和低时间复杂度等优点。基于正则网络理论,本文通过理论和实验分析,证明了KADTS与基于KPCR动态纹理生成模型的联系。本文也展示了和其它基于动态系统动态纹理生成方法相比,所提出算法的优势。