海洋浮游植物(藻类)是海洋生态系统中最主要的初级生产者,也是海洋生物资源的重要组成部分,在海洋生态系统的物质循环和能量流动中起着重要的作用。同时某些种群的藻类大量繁殖又会造成赤潮等自然灾难,破坏海洋环境。因此,对海洋浮游生物的监测和识别一直备受关注。利用藻类细胞图像对其进行分类识别的方法是藻类识别和监测的重要的手段,对现场采集的图像进行预处理和识别方法的研究是一重要课题。由于藻类细胞图像在采集和成像过程中,不可避免的引入了海水中的泥沙、未知悬浮物颗粒、絮状物及它们的阴影等随机干扰,使得所获取的原始图像叠加了大量噪声;并且由于成像设备等原因,使得图像边缘不清晰,存在多处断裂等现象。因此,图像的预处理对图像的识别非常重要。本文对基于数学形态学的图像预处理方法进行了深入的研究,使用控制标记符、高帽-低帽变换等算法对藻类图像进行了滤波。针对形态学滤波过程中提取有用信息的同时模糊了藻类实体的细节问题,引入了最大类间方差的方法,提出了形态学和一维最大类间方差相结合的藻类图像滤波算法,在去除噪声的同时,最大限度的保留了图像细节。在藻类图像的特征提取上,本文对基于小波的多尺度纹理分析和特征提取方法进行了研究,采用不完全树形小波分解提取细节数目和方向性作为用于识别的特征。和传统的小波分解相比,不完全树形小波分解根据阈值的设定决定进行下一层分解的子块,既保留了小波分解的特性,同时又提高了分解速率,压缩了特征信息。同时,在小波分解过程中提出了一致性判别的方法,进一步提高了特征提取的速度。在藻类图像识别上,本文研究了基于双概率神经网络(DPNN)的纹理图像识别方法。首先用Brodatz纹理数据库对特征提取和识别方法进行了仿真,从识别的准确度和速度两方面对识别方法进行了验证。然后对现场提取的藻类细胞图像用形状特征、一致性特征和方向性三个特征进入双概率神经网络(DPNN)进行了识别。本文根据现场采集的藻类细胞图像的特点,对藻类细胞图像进行了预处理和纹理特征提取与识别算法的研究。在预处理方面,提出了形态学高帽-低帽变换和一维最大类间方差相结合的方法滤除噪声,增强图像细节;用SOBEL边缘检测提取形状特征。在识别上,采用不完全树形小波分解提取一致性特征和方向性特征,提出了一致性判别的方法,进一步提高分解和特征提取的速度,进而提高识别的速度。