本论文在国家自然科学基金(No.51261024,51075372)和广东省数字信号与图像处理技术重点实验室(No.2014GDDSIPL-01)资助下,结合Gro uplet变换与几种典型的核方法(KPC A、KMSE、KFD A)的各自优点,提出了基于Gro uplet-KPC A、Gro uplet-KMSE、Gro uplet-KFD A和Gr o uplet-GKPC A的金属断口图像识别方法,并进行了对比分析,并取得了很好的创新性成果。论文的主要研究内容包括以下几部分:第一章,论述了Gro uplet变换结合核方法应用到金属断口图像识别中的研究意义,综述了金属断口处理方法、Gro uplet变换和核方法的国内外研究现状。在此基础上,提出了本论文的研究内容和创新之处。第二章,论述了Gro uplet变换理论和算法,利用Gro uplet变换能够根据图像纹理结构自适应的改变基的能力,将Gr o uplet变换引入到金属断口图像处理中,并结合核主成分分析(KPC A),提出了一种基于Gr o uplet-KP CA的金属断口图像识别方法,同时,提出的方法与基于小波-KPC A方法进行对比。实验结果表明,提出的方法克服了小波-KPC A识别方法只能获取图像有限的方向信息,取得了更高的识别率。Gro uplet峭度相比于Gro uplet熵,Gro uplet峭度对断口图像的纹理变化更敏感,特别适于金属断口的特征提取,因而,基于Gro uplet峭度-KP CA的金属断口特征提取取得了比基于Gro uplet熵-KPC A的金属断口特征提取更高的识别效果。第三章,结合Gro uplet变换和核最小均方误差(KMSE)的各自优点,提出了一种基于Gro uplet-KMSE的金属断口图像识别方法。在提出的方法中,利用Gro uplet系数的均值、方差、熵和峭度作为特征向量,并将KP C A算法引入到KMS E算法的特征值节点选择中,以得到最优的特征向量用于识别。实验结果表明,提出的方法是有效的。对比Gro uplet-KMS E和小波-KMSE方法,由于Gro uplet变换克服了小波变换只能获取图像有限的方向信息,因而,得到了更好的识别效果。对比Gr o uplet-KMSE和Gro uplet-KPC A方法,两种方法都有较高的识别率。然而,Gro uplet-KMSE方法采在特征选择时采用了优化方案,选择贡献大的特征向量用于识别,因而Gr o uplet-KMSE方法的识别速度明显要快。第四章,鉴于KFD A方法能够很好的利用样本类别信息,同时能够很好的保留高维信息的特点,结合Gro uplet变换的优势,提出了Gro uplet-KFD A断口图像识别方法。在Gro uplet-KFD A断口图像识别方法中,运用KP CA方法和最小相似度选择函数进行了节点的过滤和选择,可以大大减少节点信息的冗余,从而使得识别结果更加快速和准确。实验结果很好的验证了该方法的有效性,提出的方法能够很好的提取断口图像特征细节信息和保存高维信息。第五章,为了克服经典核方法过度依赖核函数的选择的缺陷,将一种构造核函数的方法嵌入到KPC A方法中,结合Gro up let变换,提出了Gro uplet-GKPC A方法。该方法的特色在于,能够将训练样本嵌入到函数中,通过一个任意的函数来生成新的核,使得Gro uplet-GKP CA方法的核函数本身就拥有了断口图像信息。另外,Gro up let-GKP CA方法可以通过任意函数构造核函数,使得核函数的选择更加灵活,不必局限在现有的核函数。实验结果同样验证了该方法的有效性。第六章,对本论文的研究内容进行了总结,并提出了今后值得进一步研究的方向。