近年来,海上船舶遇险事件时有发生,而能够对遇险目标展开快速、精准的搜救是一个迫切的而且具有挑战性的任务。在对海面遇险目标的搜救过程中,主要应用的是红外成像技术。由于海面环境的复杂多变,导致搜救时影响成像中的目标检测,进而影响搜救的效率。由于目前的海面目标检测算法通常适用在某一特定环境下,因此,为了更好地适应多种复杂海上环境场景下的图像目标检测处理,有必要将获取到的海面图像按照不同的海面背景进行场景分类,进而可以有针对性地对后续各类海面图像进行目标检测,有助于提高遇险目标的搜救成功率。显然,将海面图像按照不同的海况环境进行场景分类是急需的且实用的。为此,本文主要研究不同海况环境下的海面红外图像场景分类。通过对海面红外图像的分析,以及根据海面搜救时的环境和目标检测算法设计的实际需求,本文将海面红外图像中不同的海面环境条件分为五类不同的场景,即大风浪场景、逆光场景、海天线场景、海雾场景以及平静场景,随后将海面图像按照上述五类场景进行分类。针对海面红外图像根据提取的特征以及结合的分类方式提出了两种分类方法,一种是基于提取图像特征值的分类方法,一种是基于提取图像特征向量的分类方法。本文基于特征值提出一种计算图像灰度集中度、灰度梯度和灰度共生矩阵等参数来对图像进行特征描述的方法。通过对其进行空间上的特性提取,计算各个类型的特征参数,比较得出相同类型图像的统计特性的相似以及不同类型图像的统计特性的不同。分析统计规律,并结合阈值处理方法,将海面红外图像进行分类处理。结果表明该处理方式的准确率较低,经对阈值的不断修改仍未达到理想的分类效果。本文基于特征向量提出一种新特征描述表示方法,基于图像分层的改进方向梯度直方图(Histogram of Oriented Gradient,HOG)纹理特征和图像局部对比度(Local Contrast,LC)灰度特征。通过对海面红外图像的分析,不同场景的灰度分布和细小边缘信息特性不同,例如逆光场景的亮暗斑和海天线场景的海天线等,因此主要从纹理和灰度两个方面对海面红外图像进行特征提取。在纹理方面,为了体现更多细节信息,将图像通过高斯滤波分为基础层图像和细节层图像,然后使用改进的HOG方法分别提取不同层的特征以获得基础层和细节层的特征向量;在灰度方面,通过计算原始图像的局部对比度来获得图像的灰度特征,最后将提取到的特征进行融合生成新的特征描述符作为海面红外图像的特征表达。然后再结合支持向量机(Support Vector Machine,SVM)分类器对海面红外图像进行背景分类。将获取到的海面红外图像划分为训练集和测试集,将训练集中的图像输入SVM分类器进行训练,获得最终的判别模型,再对测试集中的图像进行分类验证。为了验证该海面红外图像分类方法的有效性,采用不同特征提取方法进行了多组实验对比分析,以及采用SVM不同核函数进行对比分析。通过与常用的局部二值化(Local Binary Pattern,LBP)和特征袋模型(Bag of Features,BOF)等特征提取方法进行比较,实验结果表明本文提出的该方法能够较好地将海面图像按需分类,很好地体现了可行性和有效性。