图像增强属于图像处理中的初级应用,作为基础性处理在许多图像处理领域都有着广泛的应用。但是,由于当前的图像增强算法大都是针对全局图像数据,处理效果和处理速度受图片采集环境和尺寸的影响很大:每一种图像增强算法的针对对象和适用环境不同,算法适应能力有限;几乎所有图像增强算法处理速度都会受图像尺寸影响,图像尺寸越大处理速度越慢。这使得图像增强算法的使用灵活程度大大降低,容易受环境限制。在本文中,研究了机器学习在图像增强处理中的应用,让图像增强处理能够只对学习过的图像目标进行处理。　　本文首先简要介绍了模式识别在图像认知领域的研究和发展,以及当前主流机器学习算法,然后提出基于LDF核(Linear Distance Function, LDF)的支持向量机(Support Vector Machine, SVM),在分析了LDF核的线性可加性的、SVM边缘检测窗口尺寸对边缘检测的影响的基础上,提出了基于LDF-SVM级联逻辑结构的边缘检测。　　然后,提出一种多类分类集成学习机(hyper dimensional geometry integrated learning machine, HDGILM)来对目标图像进行学习和分类。该机器学习算法考虑了学习对象的多样性,分类训练能力,分类计算速度。提出并使用了一个综合超平面距离度量分类器(hyper plane distance metric classifier, HPDMC)、kNN和SVM集成学习模型,并考虑了将分类空间划分为强分类空间和弱分类空间,让HPDMC适用于强分类空间,kNN和SVM去执行弱分类空间的分类。　　最后,提出一个基于图像认知区域的图像增强与抑制算法框架,通过HDGILM集成学习机对目标区域进行学习与检测,再利用基于LDF-SVM边缘检测去实现图像增强。　　通过Matlab实验仿真来研究分析本文算法对现实环境下采集图像的处理效果。观察发现:对于灰度变化细节单一的图像区域,本文算法的处理效果不明显;对于灰度变化细节丰富的图像区域,该算法可以很大的提升画面细节的表现能力。