随着计算机网络技术的发展,数字化视频与图像信息越来越多地涌现,图像识别成为了当前智能信息处理的重大课题。传统的识别方式以图像的低层信息作为基础,识别重心偏向于图像中的典型特征,通过区域分割,达到识别的效果。由于一般的图像分割都是规则的矩形,存在相同目标划分到不同子块的问题;此外,一般的图像识别存在忽略图像特征模糊部分的问题,从而导致图像识别不完全,识别率不高。针对以上问题,本文开展了以下研究:1.构建了基于三支决策的图像识别分类器。针对传统的图像分割都是规则的矩形,相同子目标可能被划分到不同子模块的问题,对比常用的图像识别方法,本文根据上一步的构想和理论分析的结果设计并构建了基于三支决策的图像识别分类器。首先,对信息不明确的目标进行延迟决策和再次判断;然后,通过迭代的方式在决策时不断地加入已更新的判定条件,而判定条件的选取是对上次分类结果进行的再次训练所得到的;最后,通过有限次地迭代使图像分割把相同目标尽可能分割到同一子模块中,从而解决了图像分割产生误差的问题,使图像划分更加准确。2.提出了一种基于三支决策的多目标SVM图像识别方法。针对图像识别中图像分割导致分类误差的问题,综合已有文献,发现导致相同目标划分到不同子块的原因是普通SVM分类器在计算机分类时只有“是”和“非”两类选择,且图像分类条件的设定不可能满足存在的所有条件。为了解决以上问题,本文从改进分类算法开始思考,模拟人类思维方式,将三支决策思想和图像识别相结合,设计了一种基于三支决策的多目标SVM图像识别方法,然后通过实验验证了其可行性和准确性。3.提出了一个基于三支决策的CNN图像识别方法。针对传统图像识别存在忽略有用信息量的问题,本文采用了基于三支决策的图像识别模型,使用特有的三支决策思想,在分类的时候使用三支策略,加入延迟决策的理论,使模糊信息等待判定条件充分之后再次进行分类处理,高效地利用了图像中的有用信息,使图像识别在分割、识别环节中能够更加准确。为了使图像理解过程更加符合人类的思维模式,本文在构建图像识别模型的时候在图像识别的决策判断过程中加入了延迟决策概念,通过每次迭代增加判定条件直到图像不可再分,达到图像有用信息量使用最大化的目的。本文根据传统的CNN图像识别方法,设计了基于三支决策的CNN图像识别方法,并通过实验验证了其可行性和准确性。