随着互联网技术的不断发展，数字多媒体技术以及智能信息处理技术的广泛应用，基于大型图像数据库的图像处理越来越受到人们的关注，而图像分类是图像处理的一个重要研究内容。其中图像信息的描述以及图像的分类方法是图像分类的两个关键技术，针对这两个关键技术，论文从图像的纹理特征提取技术和分类技术两方面研究了基于纹理的图像分类，用以实现高效的纹理图像分类系统。论文首先对现有的特征提取算法和图像分类算法进行总结和分析，并提出了相应的算法。针对图像的纹理特征提取算法，通过研究多种基于纹理的图像特征的描述和提取方法，着重分析了灰度共生矩阵方法和双树复小波方法，提出了结合二者特点的特征提取算法：复小波域的灰度共生矩阵法(CW-GLCM)，算法首先用双树复小波变换(DT-CWT)构造Q_shift正交滤波器，然后用滤波器对原始图像进行四层分解得到图像的低频和高频子带图像，算法选取低频子带图像并计算该图像四个方向上的灰度共生矩阵，最后计算每个共生矩阵的能量、熵、惯性矩和局部平稳性四个特征参数，并计算他们的均值和方差来构造特征向量。针对图像分类算法，论文总结了前人的各种图像分类方法，对支持向量机算法(SVM)进行重点研究，并从核函数及其参数、学习算法以及多分类方法几个角度分析SVM，提出了适用于复杂纹理图像分类的基于支持向量机的纹理图像多分类模型(TICM-SVM)，模型采用径向基内积函数(RBF)作为SVM的核函数，使用测试工具确定核函数的g参数和SVM的C参数，并采用论文中提出的自适应序贯最小优化算法(SMO)作为训练学习算法，采用一对一方法进行多类分类。最后根据论文研究结果，设计并实现了纹理图像分类系统(Texture Image ClassificationSystem, TICS)。系统测试采用自建的待处理图像库，测试结果表明系统有着较好的分类效果，达到测试指标的要求。