随着多媒体技术的发展,图像在互联网信息中占有越来越重要的比例。因而,如何快速、有效的管理这些丰富而直观的信息,逐渐成为当前科研人员和技术工作者关注的焦点。分形理论可以很好的对图像的纹理和空间信息进行描绘和分析,进而对图像进行分类管理,因而在科学研究中获得了广泛关注。本文基于分形理论提出了一系列算法进行纹理特征提取并进行了相应的评估实验来测验它们的性能。1、基于不同的分形理论原理,物体的分形维数发展出很多种计算方式。盒维数由于计算简单而且理论基础明确,因而获得了科研人员的青睐。但传统的盒维数计算方法存在较大的拟合误差而且忽略了边缘的剧烈变化和中间像素点,因此本文对其进行了如下方面的改进:改变区域方块计盒方式,减小尺寸步长和计算边缘盒子取较大值。最后进行了三个实验对新方法和其它相关方法进行分析和测试。实验结果表明,与其它方法相比,新方法的拟合误差可以降低到0.012879,同一类型图像的分形维数平均距离减少了16%,而对于分割图像的分形维数,它的组间平均方差能减少30%。这说明提出的方法在识别同类型和缩放图像方面具有良好的特性。2、局部二值模式(Local Binary Pattern,LBP)是一种局部纹理特征算子,由于它具有良好的旋转不变性,因而成为了科技工作者研究的热点和焦点。目前的LBP纹理特征都是基于局部区域像素对比,这种提取的后果是忽略了自我关联性。基于分形和复杂网络的原理,本文提出了一种纹理提取方法,该算法将LBP算子结合像素位置构成一个复杂网络,然后通过对复杂网络分析并结合自相似性对图像纹理进行描述。相对于传统的LBP方法,它可以矢量化的表达中心像素与相邻像素之间的关系,并且很好的改善了LBP对噪声敏感的缺点。实验结果表明,与其它纹理算子相比,该纹理算子能够很好的区分旋转图像,分割图片和噪声图像。最重要的是,该算子对医学图像有很好的纹理鉴别力,与其它方法相比,它能够在相对短的特征长度下实现良好的区分。3、人喉表皮癌细胞细胞(Human Epidermoid Cancer Cells,Hep-2)的间接免疫荧光法提供了一种灵敏的、有效的和全面的技术手段用来分析反核抗体。但由于间接免疫荧光法在技术本质上的主观性导致其本身不可避免的存在一些缺点,最突出的是诊断的再现性问题,因而本文提出了一种基于染色的Hep-2细胞图像分类方法来解决这个问题。在该方法中,ICLBP_M描述符(Improved Complete Local Binary Pattern Magnitude operator,ICLBP_M)、形态特征描述符和像素差异特征描述符被提取作为纹理特征。基于分形的ICLBP_M描述符用来描述图像中心像素与邻域的灰度值、梯度差异和图像自相似性特性。形态特征描述符用来表述图像中的连通分量特征,像素差特征描述符则用来描绘不同尺度下像素差的统计特征。同时,该方法将多核学习(Multiple Kernel Learning,MKL)引入到Hep-2细胞图像的分类器中。实验结果表明,MKL可以使得三个描述符充分发挥各自的识别特长,甚至对其进行增强,而对其有的弱点进行相应的弥补。与现有的方法相比,本文的方法特征长度仅有62,而准确率能达到66.49%。