纹理不变性分析在许多实用领域有着广泛的应用，如：基于内容的图像检索、遥感图像分析、医学图像分析、生物特征识别以及目标识别等领域，相关的研究虽然在过去的几十年中得到了长足的发展，但是其识别精度、效率仍不能满足实际中的要求，所以仍然需要进一步的研究。本论文主要工作如下： 1、本文提出并实现了一种新的基于Radon变换和Fourier变换的纹理旋转不变性分析描述方法。本方法首先对纹理图像作Radon变换，然后再对其作傅立叶变换并取模，从而得到不变性特征。在Radon变换过程中，纹理图像的旋转被转化为角度方向上的平移，同时为了获得Radon变换在不同方向上的一致性，在计算Radon变换时选择图像上的一个圆形区域；然后，再对其做Fourier变换，通过对得到的频谱图像取模，因其模具有平移不变性从而消除了平移影响，获得了纹理旋转不变特征描述。理论分析和实验结果表明了该方法的可行性以及良好的鲁棒性。 2、本文也实现了基于Gabor滤波-不变矩统计量的纹理旋转不变分析方法，该方法采用传统的Gabor滤波器将纹理图像分解到不同的子频段，再将不同子频域中的频谱反变换到时域，最后计算不同子频段内图像信息的不变矩统计量，在此分别计算了Hu矩、Legendre矩、Zernike矩以及伪Zernike矩，分别用这些不变矩统计量来进行分类，实验结果表明了Zernike矩更为有效。 在最后的分类过程中，分别采用了最小距离分类器和K阶最近邻分类器两种方法对比进行分类，用欧式距离计算待分类样本与训练得到的样本模型之间的距离。对于每种分类方法，都在Brodatz和MIT纹理图库上进行了实验分析和测试，实验结果表明K阶最近邻分类器比较适合，而基于Radon变换和Fourier变换的方法在分类精度上优于基于Gabor滤波-不变矩统计量的方法。 总之，不变性纹理分析是纹理分析中的一个具有挑战性的课题，而旋转不变性分析则是其中的一个难点问题，本文提出了一种新的基于Radon和Fourier变换的纹理旋转不变性识别方法，该方法具有良好的识别效果和鲁棒性，希望本文的工作能对以后的旋转不变性纹理分析的研究起到一定的推动作用。