随着大数据时代的到来,用于描述图像的数据种类越来越丰富,图像特征的提取和选择作为图像分类的关键环节,能够决定图像分类系统的性能。图像分类系统由目标区域选取、特征提取和分类器建模三个部分组成。在公共安全检查领域中,目前多采用人工评图方法对数字X射线安检图像有、无违禁物进行识别,该方法效率低、主观性强,识别结果受环境因素等影响稳定性较差,因此面临海量的X射线安检图像识别工作,使用单一模态数字图像底层特征并不能从整体角度将一幅安检图像的关键内容描述准确。如何筛选X射线安检图像中的有用特征,从具有较大噪声的X射线图像中提取不同模态的特征,并将多模态特征有效融合提高分类精度具有重大意义的。本文以X射线图像的多模态特征提取和分类为研究对象,首先为保持目标图像的局部信息尺度变化时的特征不变性,提出了一种改进的Hu不变矩算法,并利用K-means分类器对图像数据集进行训练和测试;基于“复制-粘贴”的图像篡改检测原理,提出了一种能够对抗图像大尺度几何变化的安检图像特定目标检测算法,并在此基础上通过改进的频带限制系数扩大狄拉克函数峰值获取目标图像区域的特征信息,为之后的图像分类工作提供数据支持;然后针对安检专家对安检图像中成分的认知与脑电信号（Elecroencephalogram,EEG）特征之间的关系,以图像视觉刺激诱发的脑电信号为研究对象,提出脑电信号的提取方法,构建脑电特征分类模型;为充分利用多源异构模态的特征,采用多模态特征融合的后期数据融合方案,使用简单多核学习模型（Simple Multi-kernel Learning,Simple MKL）自动学习图像的融合特征,设计并实现了X射线安检图像自动分类器。本文的主要内容和贡献如下:1.提出了一种改进的Hu不变矩算法用于计算图像的形状特征。传统的Hu不变矩在描述线性的连续图像特征空间时具有不变性,而改进的Hu矩特征在2D数字图像平移、旋转和缩放时具有不变性,它在对抗大尺度的图像几何攻击时稳定性更高。本文基于改进的Hu矩特征使用改进的K-means分类器进行聚类分析,实现的安检图像分类精度有所提高。实验结果表明:对比改进Hu矩特征与传统Hu矩特征对安检图像的分类结果,前者将安检图像中特殊目标的分类平均准确率提高了 17%。2.以“复制-粘贴”图像篡改检测算法为研究基础,首先,基于对数极坐标域中的图像坐标理论展开研究,使得任何通过图像平移不变特性的特征识别算法都具备检测“复制-粘贴”图像区域的可能性;然后,利用对数极坐标系中图像的时频信号在频域范围内提出了一个改进的自适应的频带限制算法,通过自动选择图像的有用频段,计算狄拉克函数峰值完成违禁品图像特征的提取;最后,利用违禁品图像区域的特征标记方法实现对安检图像的检测,为之后多模态特征融合的图像分类器设计提供数据基础。实验结果表明:改进的频带限制算法能自适应地对违禁品图像区域进行检测,该算法具有鲁棒性。平均TPR（True Positive Rate）达 71%,平均 FPR（False Positive Rate）达 29%。3.为使安检图像的特征具有多样性,脱离传统图像检测方法的束缚,从不同视角对X射线安检图像的特征提取展开研究。针对安检专家对图像中内容的认知与脑电信号特征之间的关系,设计了基于视觉刺激诱发的专家脑电信号提取方案,构建基于脑电信号特征的安检图像分类模型。首先,采集X射线安检图像连续视觉刺激诱发的脑电信号数据,通过7层小波包空间分解及重构方法提取δ波段信号;之后,使用希尔伯特（Hilbert transform,HT）方法计算相位相关的脑网络特征,并分析复杂脑网络特征对应的各导联相关性;最后,利用脑网络图论特征对X射线安检图像实现二分类。实验结果表明:安检图像中被遮挡物遮挡的实验场景与无遮挡的实验场景相比,脑网络各导联之间的相关性更复杂。利用优化的支持向量机（Support Vector Machine,SVM）训练脑电信号特征实现图像二分类的准确率达91.75%（无遮挡场景）,76.89%（有遮挡场景）、83.39%（混合场景）。4.在大数据X射线安检图像的应用背景下,针对充分利用异构多模态的特征问题,设计了基于多核学习任务模型的多模态特征融合安检图像自动分类器。首先,针对安检图像多模态的特征数据融合需求,设计了一个特征融合的后期融合方案;然后,使用SimpleMKL模型自动学习融合特征,利用最优合成核解决核函数选取问题;最终,设计了基于径向基函数（Radial Basis Function,RBF）的多核学习的多模态特征融合安检图像自动分类器。实验结果表明8次独立实验获得的图像二分类平均识别精度分别是93.19%（无遮挡场景）、77.26%（有遮挡场景）、85.15%（混合场景）。多模态特征融合的安检图像分类准确率有所提高,依赖传统安检图像的单一模态特征实现的图像分类的技术在本文中有所突破。