纹理在自然界中广泛存在,大多数物体的表面均可称之为纹理,它反映了物体的物理属性。近年来,以局部二值模式(local binary pattern,LBP)为代表的纹理特征被广泛应用到模式识别的各个领域。然而现有LBP特征在一些方面的表征能力仍不够鲁棒,存在对图像的空间信息表征不够、对含有噪声情况下的图像的表征能力弱等问题。为此,本文主要从增加LBP的全局信息表示和抵制噪声影响两个方面进行了较为深入的研究。一方面,针对LBP仅对图像的局部信息进行分析、丢失了图像的空间分布信息,因而很难全面有效地描述图像的问题,本文借鉴全局与局部特征相结合的思想,通过在LBP的基础上增加全局特征来进一步提升其对图像的表征能力。具体方法是将LBP与全局灰度直方图特征相结合形成全局与局部特征模式(global and local binary pattern,GLBP),该特征既包含图像的局部信息又包含图像的空间分布信息,能够更加全面有效的描述图像。通过在Outex纹理数据库上进行实验验证了GLBP的性能。另一方面,针对LBP在含有噪声情况下对图像的表征能力弱的问题,提出一种对噪声较为鲁棒的纹理特征表示方法——抗噪声完整增强局部二值模式(CELBPNT)。该特征对光照、旋转和噪声均具有较好的鲁棒性,其提取过程如下:首先根据LBP中各模式的结构和出现频率对特征中的模式重新分类,提出增强局部二值模式(ELBP)特征;接着添加差值的模值信息与中心像素信息,并根据图像尺寸自适应地调整其中的阈值,提出完整增强局部二值模式(CELBP)特征;最后,进一步将该特征进行多尺度下的表示,从而最终提出具有抗噪声能力的纹理特征——CELBPNT。通过在Outex和CUReT纹理数据库上添加不同强度和不同类型噪声的情况进行实验,结果表明:CELBPNT不仅能够显著提升无噪声纹理图像的分类性能,而且对含有噪声的纹理图像分类也有较为明显的性能提高。最后,针对本文所做工作进行了归纳总结,并结合本文存在的不足之处分析和讨论了进一步的研究计划与展望。