空间形状的表达与识别是地理信息科学领域的一个重要的研究方向。空间形状的相似性查询,空间形状的聚类与识别,地图要素的配准,地图综合,遥感影像的检索、提取、识别等都是空间形状表达与度量重要的应用方面,当然,形状分析也是计算机视觉领域、模式识别等其它学科领域的重要课题之一。本文的工作主要集中在基于骨架的空间形状的表达与识别上,包括:骨架提取、骨架剪枝、形状轮廓特征点提取,空间形状的识别与聚类,主要贡献包含一下几个方面:1.提出了一种对数字多边形特征点提取的新方法。本方法从基于多边形边界轮廓点构建的Delaunay三角网的规则和性质出发,依据多边形边界轮廓将Delaunay三角网分为内外两个部分,同时对内外部的Delaunay三角形集合进行分析,实现了对多边形的特征点提取和特征点凹凸性的判断。大量的实验结果表明,该方法是有效的、可行的。2.提出了一种针对约束Delaunay三角网外心法骨架剪枝的算法,分析了约束Delaunay三角网外心法逼近骨架出现分枝的原因,给出了一种新的骨架剪枝方法。经多组复杂图形试验,该方法可以有效的剪除冗余的骨架分枝,并且具有良好的普适性。是对约束Delaunay三角网外心法构建骨架的一种优化,一方面使得外心法可以高精确性地逼近骨架,另一方面又可以消除去其副产物——骨架分支。3.提出了一种基于骨架的空间形状相似性度量的方法,首先提取形状的稳定骨架,然后利用特征骨架点来构建关联图,用关联图的邻接矩阵与Laplacian矩阵的范数对骨架进行表达,最后利用SVM分类器对关联图进行识别与聚类。实验证明该方法可以有效的进行形状的表达与识别,同时对仿射变换下的形状也是有效的。