在传感器技术应用过程中,具有海量、多源、高维、非线性和动态等特点的信息大量涌现,这些信息增加了信息特征提取与融合的难度。目前,多源信息特征提取和融合的理论和方法已经在科研、经济、军事等众多领域中得到了较大规模的应用。在多源信息特征提取与融合理论和方法的研究过程中,逐渐形成了以多源信息特征提取为基础,以多源信息融合为核心,以面向多源信息的智能系统为应用手段的研究体系。如何有效地对多源图像信息特征进行提取,并在此基础上进行信息融合已成为目前国内外学者关注的热点和难点问题之一。因此,研究多源信息特征提取与融合问题对提高在复杂环境下的图像信息识别能力具有重要的理论意义与实际应用价值。本文针对多源信息的非线性、高维性以及不确定性,研究了多源信息环境下特征提取和融合问题以及在图像信息识别中的应用。这不仅扩展了经典的信息特征提取和融合的理论和方法,也大大增强和拓展了其在实际生产和生活中的适应能力和应用范围,主要研究成果有以下几个方面：(1)针对传感器所获得的信息常常具有多源、高维、非线性等特点,分析了局部线性嵌入法和分形维数估计方法所存在的问题,根据对上述问题的分析,将遗传算法和等距映射法分别用于对上述两种方法的改进中,分别提出了基于遗传算法的高维信息特征提取和基于等距映射的纹理特征提取等两种新方法,并通过实验对上述两种新方法进行比较分析。(2)针对所获得多源信息往往具有海量、高维以及无类标号等特点,分析了聚类方法在信息划分过程中聚类的相似性度量对聚类效果的影响以及高维复杂信息的聚类等问题。在此基础上,分别提出了基于谱聚类和流形学习的海量信息聚类、基于流形距离和维数简约的快速全局K-均值聚类和基于流形距离和维数简约的多阶段聚类等方法,并通过对比实验来检验三种新方法的可靠性和精确性。(3)针对用户所面对的信息环境具有不确定的特点,分析了在D-S合成过程中冲突分配不合理、方法收敛效果较差以及多BBM的证据推理等问题,在此基础上,提出了低维证据体相似度的概念以及基于D-S证据理论的多源信息融合方法,并通过冲突性对比实验、多BBM对比实验、仿真信息实验和真实信息实验来分别检验新方法对上述三类问题的解决能力以及实际应用价值。(4)探讨了多源信息特征提取和融合在图像信息识别中的应用。针对人工识别方式难以对多源、海量的图像信息进行分析和处理的问题,将前几章所提出的多种方法作为智能图像信息识别系统的多源信息特征提取和融合方法,较好地解决了多源、海量图像信息与单一的分析方法和有限的处理资源之间的矛盾,并建立了相应的智能图像信息识别策略。接着利用面向对象的建模方法分析了智能图像信息识别系统中的任务和功能,构建了智能图像信息识别系统的体系结构。在此基础上,对系统的层次结构和模块功能进行了规划和设计,并在Matlab开发环境下实现了原型系统。