图像分类、对象检测与识别、场景分类等工作都依赖于图像特征的描述与提取。而纹理是人类视觉系统中使用频率最高的特征之一。纹理提供了有关空间分布和亮度变换的信息，也描述了图像表面的结构安排。然而，尽管人类视觉系统很容易准确地识别和描述纹理，但很难提取纹理特征，用于纹理分类以及不同的应用领域。本文首先研究了纹理特征提取算法，然后利用台湾大学林智仁等开发的LIBSVM系列软件对图像分类。本文作了以下几个方面的研究。(1)本文研究了纹理分析常用的一些算法和图像分类中的经典算法。总结出纹理图像分类的基本思路。(2)针对图像旋转对分类的影响，本文提出了具有旋转不变性的Radon变换和小波变换结合的算法。旋转图像经过Radon变换后，图像相对于原图来说发生了平移。而小波变换恰好具有平移不变性。因此，将Radon变换与小波变换相结合，可以实现纹理图像的旋转不变性。(3)为了实现同时具有多尺度性和图像的统计特性，本文提出了将灰度共生矩阵和小波变换结合的算法。针对结合的方式，提出了两种不同的方法。一种是先对图像进行小波变换，然后再对变换后的图像计算其灰度共生矩阵。而另一种是分别对原图进行小波变换和计算灰度共生矩阵，然后将分别提取出来的特征组合为纹理图像的特征向量。最后利用支持向量机进行分类。(4)设计了整个实验功能模块实现的过程。对惩罚因子C、核函数及其参数等对分类精度的影响进行了实验。最后比较了各种纹理特征提取算法，以及在噪声的干扰下对分类精度的影响。通过一系列实验结果表明，改进算法的分类效果相对于经典算法要更好，分类精度更高。