如何提取图像的不变性特征，构造一个高效率的分类识别系统一直是计算机视觉研究领域的一项热门课题。 近年来，数学形态学已经被广泛应用于图像处理的各个领域。由数学形态学基本运算定义的形态谱不仅描述了图像的尺度分布，同时也间接描述了图像的形状。因此可以将其作为区别不同图像的特征参数。 本文中首先对数学形态学进行了简要的介绍，并利用其基本运算的性质，对形态谱关于图像的平移、旋转、缩放是否不变的特性进行了证明与实验分析。其次，鉴于对形态谱的上述分析，对形态谱的定义进行改进获得一种归一化形态谱，使之具有对图像的平移、旋转、缩放不敏感的特性，获得目标图像的不变性特征。对于无噪声的二值图像，归一化形态谱可以准确地描述图像的形状。然而对于有噪声的二值图像，归一化形态谱却无法对图像的形状进行准确地定量的分析。针对归一化形态谱对噪声的敏感性，采用了一种具有Robust特性的交替序列形态变换，即高阶形态谱。实验证明高阶形态谱同样具有对图像的平移、旋转、缩放不敏感的特性，同时也能有效地抵抗噪声对图像形状的影响。 在目标的分类识别方面，我们采用形态学与神经网络相结合的方法，分别以归一化形态谱与高阶形态谱作为识别特征，采用BP网络对样本进行训练和学习，实现对目标的分类与识别。 实验结果表明，采用形态学与神经网络相结合的方法，利用归一化形态谱与高阶形态谱，能很好地实现对目标物体的分类与识别。