纹理是物体结构或表面上的属性,例如图案,形状,粗糙度等等。纹理的普遍性较强,它作为图像处理领域内一个基础研究单元,在众多实际应用中发挥着重要的作用,其中包括雷达图像处理,医学图像分析,森林物种识别等等。而SAR图像识别作为以纹理分析为基础的应用扩展而被广泛应用于军事,国防等众多实际领域。以往纹理分析多是基于小波变换的方法。而图小波变换与传统小波变换相比,在保留其多尺度分析与降噪特性的同时可以明确考虑信号样本之间的结构和关系,因而比传统小波变换更适合用作纹理分析。本文主要采用基于图小波变换的纹理分析方法,完成图像纹理分类与SAR图像识别,其主要研究内容包括以下两个方面:(1)提出了一种基于图小波变换框架的图像纹理分类方法。该方法将纹理图像经过图小波滤波器组分解为多尺度分量。针对奇异值分解所得系数较少,无法很好的进行模型估计的缺点,本研究将经过图小波变换得到的子带进行局部奇异值分解。为了在一定程度上使得该方法对噪声具有鲁棒性,方法中提取了所求局部奇异值中的最大值,平均值和中值。而后,将每个集合中的元素分别建模为Weibull分布,采用两个分布函数的KL散度作为样本距离对纹理样本进行分类。本方法采用两个数据库构建的三个数据集完成实验,实验结果证明了本文所提方案的有效性。(2)采用上述纹理分析框架,提出了一种应用于SAR图像目标识别的方法。由于SAR图像识别属于目标检测中的面目标识别,因此纹理分析依旧是雷达图像识别的决定因素。该方法采用图小波变换为SAR图像提供了一种多尺度分析。针对于SAR图像背景杂波较乱,相干斑噪声较强的特点,采用二维主成分分析(2DPCA)方法,在提取图像主要特征的同时抑制图像噪声。而后采用加权稀疏表示分类器对SAR图像进行目标识别,并在分类时改进了现有计算权重距离的方法,将样本之间的相关距离用于计算稀疏表示时所需的权重。最终采用MSTAR数据库中的三类与十类SAR图像用于实验,实验结果证明了该方案相比于现有方案的优越性。