图像中的纹理具有多样性、复杂性和不规则性,且在实际的应用中常常受到各种因素(光照、噪声、尺度、旋转以及平移)的影响。大部分现有的纹理特征提取算法,在受控条件(旋转、光照、噪声等变化很小)下识别效果较好。然而,实际的图像采集不易受控,这会导致算法的识别性能急剧下降。如果在特征提取之前对纹理图像进行去噪等预处理操作,现有的图像去噪算法容易造成图像纹理、边缘等细节信息的丢失。因此,本文关注纹理图像识别中的两个难点：纹理图像去噪和纹理特征提取。针对纹理图像去噪中纹理、边缘信息保持这一矛盾,本文首先,运用最新多尺度几何分析方法,定义了一个以波原子、曲波变换后邻域内梯度模值为参数的扩散控制函数和一组具有信息重构能力的双正则项,并与各向异性扩散模型相结合,构建了一种采用双正则项各向异性扩散的反应扩散方程。然后,从理论上证明了该模型数值解具有收敛性,并对算法的复杂度进行证明和分析。最后,通过数值实验的对比分析,对本文算法的性能进行了验证。实验结果表明,本文方法在去噪过程中对图像纹理、边缘信息具有更好的保持效果,尤其对噪声污染严重的图像效果更理想。针对现有纹理特征提取算法对光照、噪声、尺度、旋转以及平移等复杂条件的敏感性,本文定义了一种新型的自适应局部二值模式,并结合差分运算,提出了一种新的基于自适应局部二值模式的纹理分类算法。新型的自适应局部二值模式,它借助描述纹理空间结构的均匀度和模式之间的相似度来对纹理中的不同模式进行分类,对不同类别的模式结合纹理的局部特征和全局的关联度计算其特征值。运用差分运算,不仅提取出描述灰度二值关系的差分二值矩阵,而且保留了刻画灰度变化强度的差分绝对值矩阵,并将两部分特征值连接成一个空域增强的特征向量。最后,本文结合最近邻分类算法,运用本文提出的基于自适应局部二值模式的纹理特征提取算法,对图像进行纹理特征提取、训练和分类。使用Brodatz、Outex两大国际知名纹理图片库作为测试集进行实验,证明了本文算法在旋转、光照、尺度平移和噪声等复杂条件下的鲁棒性优于其它基于LBP的纹理提取算法。此外,还将本文方法运用在贝母图像的识别应用中,并取得了较理想的实验结果。