计算机视觉从其产生就成为二维图像识别和分析的工具，作为人类视觉的模拟，视信息成为它的处理对象。视信息包括诸如形状、位置、颜色、纹理等图像特征，计算机视觉对这些图像特征进行处理的主要任务就是特征提取，所提取的特征点也希望尽可能具有不变性。因此，本文主要针对纹理、轮廓两个特征及具有不变性的SIFT特征点进行相关算法改进并实现。针对纹理特征提取的复杂背景中单一目标轮廓提取算法。原始的边缘提取算法一般都是以空间域为基准，选取合适的算子与基准图像做卷积计算。此种方法实现起来容易而且快速，但是它在运行的过程中丢失了包括上下文信息在内的一些相关信息，无法分割目标与背景，并且存在边缘不连续及边缘过窄等问题。轮廓作为容纳了形状及结构的一个中层特征，人通过轮廓很容易识别物体，对于场景中的目标及背景区分也不难。高级视觉通路由感知物体形状的what通路和感知空间位置的where通路组成。在Hubel和Wiesel提出分级处理思想后，人们对于腹侧流结构有了新的认识，标准模型的建立就是对这种新认识的融入。2007年，Serre等人结合生物学的研究成果提出HMAX模型，它与标准模型类同，是一个由五层构成的层次结构，这五层是S1层（简单细胞层），C1层（复杂细胞层），S2层（合成特征层），C2层（复杂合成层），VTU层（视觉调整细胞层）。HMAX模型与人对物体识别过程有类似之处，HMAX模型在最终的VTU层输出了特征向量，显而易见，它很适合于作物体识别，但针对于特征提取的话，我们希望最终得到的是图像，HAMX模型无法做到。非经典感受野对神经元的抑制作用可以弱化背景边缘，最终输出的是轮廓图像。所以，若是旨在轮廓提取的话，借助于非经典感受野抑制可以使轮廓提取质量提高，但仅基于非经典感受野抑制进行轮廓提取会导致边缘抑制效果薄弱，且与人类实际的视皮层结构存在较大差异，因此，为使其符合人类的生理特征，将HMAX的模型构造融入其中，二者之间取长补短，可以达到更好地轮廓提取效果。本文所构建的模型结构分为五层，层次划分与HMAX模型一致，本算法对HMAX模型逐层改进，逐层设置参数，每层输入输出的视信息数量与基准图像相同。仿真实验中，通过效果图评估、准确率评估及盒须图评估验证了本算法的有效性。针对轮廓特征提取的低分辨率LBP人脸识别算法。LBP算子是一种基于灰度所提出的算子，它主要是针对图像的局部纹理特征进行提取。它的思想比较简单，容易被理解，面对因灰度所引起的变化具有很强的鲁棒性，在纹理分类中的功能十分强大。多分辨率理论是小波分析中的一个重要内容，它为小波的构造从函数空间的角度搭建了一个框架。每一幅图像在不同分辨率下显示出的特性不尽相同，高分辨率下图像可以更加清晰，细节表现得更明显，低分辨率下图像相对模糊，但是概貌了然，不局限于一种分辨率解决问题，而从多分辨率入手或许更有利于问题的解决，Mallat于1987年提出多分辨率理论，该理论提出后研究人员就展开了多方位的研究。小波变换是建立在傅立叶变换基础上的，傅立叶变换是一种全局变化，小波变换是一种局部变化，二者都是时频分析方法，但小波变换属于时间与频度、空间与频率之间的变换，信号中包含着有用的且可被提取的信息，小波变换的出现在调和分析的历史上有着划时代的意义。结合LBP算法强鲁棒性，低分辨率对图像概貌了解的适合，小波变换的滤波功能，本文提出LRLBP算法，该算法从低分辨图像入手，利用合适的小波变换进行图像分解，结合LBP算法思想完成特征向量提取。本算法以人脸为识别对像，效果较好，计算简便，并从ORL数据库和YALE数据库中随机抽取图片对本算法进行测试，测试结果显示本算法的整体性能优于基本LBP算法。针对SIFT特征点提取的简化SIFT算法。不变量的概念在十九世纪初被提出。伴随着对人类视觉系统研究的不断深入，研究者发现人类视觉系统对视觉信息处理过程中对不变量的选择与视觉不变量理论有极其类似之处，这就自然而然地使研究者想到将不变量理论引入到机器视觉中，也就使得机器视觉逐步“生理化”。代数不变量注重全局概貌且抗噪性能强，微分不变量注重局部细节，不受位置移动、朝向改变影响且能很好地对抗噪声。SIFT算法就是基于局部考虑的特征提取算法。SIFT算法由D.G.Lowe1999年发表，2004年完善总结。该算法能进行海量特征的数据计算，并可以和其他形式的特征向量进行联合匹配，但SIFT算法存在的最大问题就是维数过高，故而一些改进算法都在力求通过降维以使SIFT算法的思想得到更好的应用，本文所提出S-SIFT算法就基于降维的想法，对SIFT算法改进。S-SIFT算法改变了特征点区域的形状，由SIFT算法中的矩形调整为圆形，但范围大小与原来相同，这种邻域形状的改变免去了高斯模糊的过程，也无需再进行SIFT算法中坐标轴调整。S-SIFT算法中的特征向量维度大幅度下降，但对于朝向、位置、尺度等变化仍能保持不变性，通过仿真实验对维度、不变性及时间复杂度进行了测试，测试结果显示，S-SIFT算法虽然在某些方面的匹配效果略逊于SIFT算法，但综合性能较好，而且时间复杂度远远小于SIFT算法。