伴随着计算机技术的不断开拓和对人类感知机理研究的不断发展,数字图像识别技术已经成为数字图像处理技术中一个重要的研究方向,其应用范围几乎涵盖了人类所涉及到的所有领域。但是图像识别技术依然受限制于自适应性能差,鲁棒性不高,技术不通用等缺点,在识别技术发展的今天,如何加强图像识别技术的适应性和鲁棒性甚至通用性就成为了研究图像识别的一个热点问题。针对如何加强图像识别技术的适应性、鲁棒性甚至通用性,本文对图像识别技术进行了研究。按照图像识别的过程,把图像识别技术分成图像处理、特征提取和模式识别三部分进行研究和讨论。在图像处理阶段,本文首先介绍图像复原、图像增强和图像分割三类图像处理技术。然后分析和对比了三类图像处理技术的常见方法,并给出仿真结果。还针对图像在噪声污染度严重和多层噪声干扰的情况,提出了新的自适应门限中值滤波器。实验证明,自适应门限中值滤波器能够在消除污染密度大的脉冲噪声同时保护图像的细节,而且它对于传统滤波器滤除噪声效果不好的多层脉冲噪声也拥有良好的去噪声效果。在特征提取阶段,按照选取待识别图像的边缘关键特征为主要目标的思路,对传统特征提取方法的优缺点进行比较。本文基于特征提取技术和人类感知机理,提出了采用了具有与人类视觉基元相似性质的Gabor小波变换和不变矩变换作为特征采集手段,分别提取待识别目标的局部特征和和全局特征。并再保留这两种特征优点的情况下对其融合,产生新的优化特征。在模式识别阶段,本文采用了模拟生理学上的真实人脑神经网络的结构和功能的人工神经网络进行判别分类。把融合的优化特征输入自适应学习率的神经网络进行训练和识别。本文对实现方法进行研究,并对实现的仿真结果进行分析。实验结果证明本文提出的技术相比于Gabor小波变换的神经网络和矩变换的神经网络识别算法有更好的自适应性和鲁棒性。