纹理图像是由紧密交织在一起的基元组成的某种结构，具有局部的不变规则和整体的规律性。纹理分类是计算机视觉研究领域的一个基础性问题，有着重要的研究意义，其研究成果在图像分割、图像检索、模式识别、机器视觉等领域中都有重要的应用。纹理图像的一个本质特性是具有超高斯概率密度分布；另外，当选取小波变换作为纹理变换的算法时，图像的小波表达具有非高斯分布特征。在特征选取方面，目前大家用的最多的是二阶统计量(如方差)。但是二阶统计量本质上是无法全面描述非高斯特征的。为了解决这一问题，本研究中，我们选取高阶统计量，如偏态系数(skewness)和尖态系数(kurtosis)作为描述纹理图像信息的特征。将高阶统计量融入到纹理的特征表达可以有两种方式。第一种是将高阶统计量和二阶统计量结合使用的紧凑表达方式，这种方式可以提高所提取的特征对于图像信息的描述能力，进而在此基础上提高图像的分类准确率。另外一种是选取谱直方图(spectral histograms)作为特征来描述纹理信息的全面表达方式，它是采用图像滤波变换后的概率分布来特征化图像信息，这样更有利于纹理图像信息的表达。该研究中，这两种方式均得到了运用。分类器的性能是和判别式准则的选择紧密相联的，一个令人满意的判别式准则应该与分类的性能相一致，并且应该易于实现分类器参数的最优化。目前普遍使用的判别式准则有感知器准则、松弛准则和最小平方误差(MSE)准则。以上三种判别式准则的最大缺点在于：它们的决策准则没有深入到用函数形式表示的适合最优化的误差函数里，结果导致判别式准则与最小分类错误概率的目标不相一致。因此，使用这三种判别式准则去设计分类器的话，分类器并不能达到最优化的效果，从而分类的结果也达不到最小错误率的要求。为了解决这一问题，本研究中，我们使用了一种新的判别式准则一最小分类错误(MCE)准则，它用函数的形式来表达决策过程，这样更利于最优化的实现。同传统的判别式准则相比，MCE准则与最小分类错误概率的目标更加一致。因此，建立在MCE准则基础上的分类器设计将能真正的满足最优化的条件，从而达到一个另人满意的分类效果。从上述两点出发，本文研究开发了一种新的纹理分类的算法，使用该算法对25类BrodTex纹理图像进行了评估，分类精确度达到90％以上。