本文在水声纹理图像特征的基础上,结合特征选择算法对这些特征进行选择。并就目标图像的识别性能来选择比较几种特征选择算法,力求获得适合于挑选水声纹理图像特征的特征选择算法。本文首先对三幅海底底质的水声纹理图像进行了特征的提取,提取了4类共20种特征,之后的特征选择将在这20种特征的基础上进行。接着,介绍了特征选择算法的定义和准则,并按照特征算法和后续算法把其分成了嵌入式、过滤式和封装式三种特征选择算法。在算法评判和选择的标准下选择了Relief、分支界定法和基于神经网络的封装式算法作为纹理图像特征的选择算法。Relief算法应用统计的方法来挑选相关的特征。它是由样本权重的算法启发演变而来的特征权重算法。它的核心思想是：好的特征应该使同类的特征接近,使不同类的特征互相远离。由于Relief算法只能解决两类的问题,所以采用ReliefF方法来解决多类的问题。分支界定法是完全搜索唯一的最优解算法。完全搜索算法的方法就是从特征集合D中找到最优的特征组合子集d,它使用判据J来评估每个特征子集,J值最大的特征子集即是最优的特征子集。由于分支界定法的运算量很大,不方便应用与实际中,所以本文采用了改进的分支界定法(IBB)选择特征。在封装式的结构中,学习算法被当作是一个评判特征子集的黑盒。该算法的核心思想是：和学习算法无关的过滤式特征评价会和后续的分类算法产生较大的偏差,而学习算法基于所选特征子集的性能是更好的特征评价标准。在实际运用中,在封装式特征选择中的空间搜索算法的基础上提出了新的搜索方法,使其更适合本文的要求。