随着图像成像技术的发展,图像的空间分辨率不断提升,使得图像中包含大量的信息,能够呈现更多的细节信息,例如空间布局和纹理结构信息。这对于识别图像中的内容有很大的帮助。然而,图像具有表征维度较高、数据结构复杂以及冗余信息较多等特点,对其直接进行处理具有很大的困难。因此,需要先通过各种特征学习的方法对原始图像进行准确有效的表示,为后续的识别和分类提供判别性较高的图像特征表示。本文针对遥感场景图像和光学舰船图像的特征学习进行了研究,主要研究内容总结如下:第一,在大量文献调研的基础上,阐述了对图像进行特征学习的必要性,然后详细介绍了目前计算机视觉领域空间特征学习常用的几种全局特征和局部特征。第二,针对遥感场景图像分类,提出了一种基于分块的多尺度完全局部二值模式(Multi-scale Completed Local Binary Patterns,MS-CLBP)和费舍尔向量(Fisher Vector,FV)的局部特征表示。用MS-CLBP算子在分块的密集区域上提取一组局部描述符,然后用费舍尔核函数表达来编码局部描述符,形成遥感场景图像的判别的表达。把MS-CLBP的两种实现方案融合到一个统一的框架中,构造了一个识别性更高的特征表示。在两个公共基准遥感图像数据集上进行实验并获得了优越的分类性能第三,针对舰船的外观受到外部因素如照明或天气状况,观察几何条件和海面状况的影响的现象,提出了一种多特征学习的方法,包括一个全局特征和两个局部特征。在这个多特征学习框架中,同时研究了特征级和决策级融合策略。使用基于Gabor滤波的MS-CLBP特征提取全局特征,来弥补局部特征的不足,充分利用了全局和局部特性之间的互补性。我们使用两个光学舰船图像数据集来验证多特征学习方法的有效性,并取得了显著的识别效果。