随着数字图像数据库的急剧膨胀，如何快速提取有用的视觉信息越来越受到人们的重视。对图像的有效分类与检索成为获取图像信息的关键问题。本文将图像的分类和检索问题分成两个主要环节：对图像的特征提取和利用学习工具对特征进行分类和检索。多尺度几何分析是近几年在小波变换基础上发展起来的一类有效的信号和图像处理方法，它包括了脊波分析、曲线波分析、contourlet变换等多种形式。同小波分析不同，由于多尺度几何分析方法中引入了方向因子，使得对于二维的表征可以更加稀疏，因此其在图像压缩、特征提取、模式识别、图像去噪等方面具有广阔的应用前景。因此本文就讨论了采用小波和contourlet变换等多尺度分析工具进行特征提取的效果。支持向量机(Support Vector Machine，SVM)是一种通用学习机器，是统计学习理论的一种实现方法，它较好地实现了结构风险最小化思想。为解决原空间数据的线性不可分问题，通过核函数将输入向量映射到一个高维的特征空间，并在该特征空间中构造最优分类面。由于其优越的性能近年来获得了广泛的应用。本文采用支持向量机作为分类和检索的学习机器。本文的工作主要有：1．掌纹识别作为一项生物识别的技术可用于实现安检。本文把掌纹图像看成一类特殊的纹理图像，提出了一种新颖的掌纹识别方案。应用两维的两通道和三通道小波变换来得到低频或高频子带图像，然后将其系数或子带能量作为特征进行提取，再选择支持向量机作为分类器。实验结果证明了这是一个简单而有效的识别方案，正确识别率可达100％。2．本文采用了基于小波、contourlet变换等多尺度分析工具和SVM相关反馈的图像检索方案。对纹理图像采用contourlet变换提取其特征，contoudet具有多尺度和多方向性，因此比小波变换能更好地提取纹理特征。然后联合一类和二类支持向量机进行检索。首先使用一类支持向量机来估计查询样本的特征向量在高维空间的分布情况，从而给出在没有标识的情况下，进行初步学习探索得到的相似性排名。通过用户反馈，得到带有标识的正负样本信息，从而提供给二类支持向量机进行更细致地学习，使检索结果逐步求精。从Vistex纹理图像库里面构造了640纹理图片进行了实验，检索率可达到95％以上。实验结果从多方面证明了本方案的合理有效性，并指出了较优的反馈数量和反馈次数。