特征提取是图像识别中的一个基本问题。提取特征的旋转、缩放和平移不变性在图像识别中具有重要意义。根据不同的特征提取方法,图像特征可分为全局特征和局部特征。局部特征描述了图像的角点、条形和边缘结构。与全局特征的区别在于,局部特征对图像污染、退化和不均匀光照变化等图像变换更具有稳定性。局部特征中的局部二值模式（Local Binary Pattern,LBP）由于其辨别能力和计算效率被广泛地应用于目标检测、纹理分类和人脸识别等视觉领域。本论文主要针对局部二值模式学习的图像识别方法进行研究。具体研究内容如下:为了解决图像缩放不变性识别的问题,并且平衡特征识别和特征维度之间的关系,本文提出了一种基于二维共生局部二值模式学习（2D-LCo LBP）的图像识别方法。首先,在图像的不同邻域和尺度下构建加权联合直方图来表示多邻域、多尺度LBP特征（2D-MLBP）并实现旋转不变性。然后设计了一种特征学习策略,从2D-MLBP中不同尺度的LBP模式对中学习紧凑、鲁棒的描述符（2D-LCo LBP）以表征最稳定的局部结构,实现了尺度不变性的同时降低了特征维度。最后,采用线性的支持向量机（Support Vector Machine,SVM）进行最终的图像识别。本文在四个图像识别任务,包括纹理、目标、人脸和食物识别,共十个图像数据集上充分地验证了所提出的2D-LCo LBP的有效性。为了充分利用颜色信息,提高特征的信息表达能力,并且有效的去除特征的冗余信息,本文提出了一种基于多通道彩色局部二值模式学习的图像识别方法。首先,通过RGB-YCM颜色空间不同程度地去描述原图像在多个颜色通道下的表达,并利用跨通道编码策略获取图像的跨通道共生信息,并生成联合直方图（MLBP）。然后提出了一种特征学习策略,从MLBP特征中学习颜色信息丰富的特征（LMLBP）,并且实现了特征的降维。最后,采用线性SVM分类器进行最终的图像识别。本文在纹理、目标和人脸共五个图像数据集上进行了自证性实验和对比实验。实验结果表明LMLBP方法在图像识别任务中均优于其他基于LBP特征的方法。