机器视觉系统的首要任务是针对目标物进行测量、判断,以使系统能够达到识别目标物并进行定位和跟踪的目的,其中,图像识别是助力机器视觉系统完成识别与定位任务的一类重要基础。目前,有关图像识别的算法已经取得了许多有价值的成果,现有的图像识别方法有很多种,每一种方法都在各自特定的条件下尽显其优势,并且被广泛应用到诸如无人驾驶、智能交通、天眼、无人机以及智慧医疗等工业和社会领域。但是,现有的图像识别方法也存在若干问题,比如,基于卷积神经网络的图像识别算法广泛的应用于图像识别领域,其应用一般对硬件的要求较高(一般要求配置GPU),以便适应大量训练样本的存储和计算,以及网络训练过程中存在梯度消散和梯度爆炸问题,这些都会影响识别方法的高速性和高识别率。所以值得进一步研究保持识别速度快和精度高的其他图像识别方法。近十几年来,基于复杂网络的图像识别方法已经在图像识别研究领域发展成为一个具有特色的研究方向。复杂网络可以视为由节点群和动态边耦合而成,复杂网络的拓扑结构只与网络中节点之间的连接关系有密切关联,而与网络中节点的位置和顺序无关。基于此,就理论而言,将复杂网络方法引入到图像识别中,在很大程度上可以减少图像发生变化(拉伸,旋转平移,比例缩放等)时对图像识别率的影响。但是,此类方法也存在一定的缺陷:(1)利用节点之间的灰度值差(或距离度量)构成的连接关系尚不合适,因此产生的图像特征脸不能保证高识别率;(2)直接将图像的像素点作为网络的节点,节点增多不能保证高速性。针对上列图像识别算法中存在的问题,有学者提出改进的复杂网络图像识别方法(混合方法),其核心思想都是减少网络中节点的数量,对于提高识别算法的速度起到一定的辅助作用。然而,这些改进的混合图像识别方法仍然直接将图像的像素点视为网络的节点,当节点增多时对图像识别算法的高速性造成影响。针对上列的问题,如何进行适当的改进和拓广构成了本文研究的动机和出发点。基于此,本文首次提出一种基于结构平衡网络的图像识别方法,从结构平衡网络的角度重新认识图像灰度矩阵,将图像的灰度矩阵视为结构平衡网络的连接权值矩阵(像素点不作为节点),再利用Hadamard乘积变换对连接权值进行分类,提取图像识别特征参量,为提高图像识别的速度和精度提供可能。在此基础上,通过变化网络拓扑结构,即选取不同的Hadamard变换矩阵去遍历灰度图像,而后采用了对特征参数进行加权处理的方法,提高了识别的快速性和准确率。通过实际的仿真实验,与现有的几种常用的图像识别方法进行比较,本文所提出的识别方法的主要优势包括:针对图像的灰度矩阵,将图像灰度值作为结构平衡网络的连接权值,提取了若干度量网络拓扑特征的识别参量,识别参数明显较少,与常用的图像识别算法相比较,识别速度和准确率得到提高,并尝试应用于机器视觉系统中。