随着计算机技术的发展,图像识别技术得到了越来越广泛的应用,成为模式识别领域的一个研究热点,而特征提取是图像识别中的一个核心问题。国内外学者已经提出了许多特征提取方法,虽然现有的特征提取方法用于图像识别时大多都取得了较好的识别效果,但是,在图像受到噪声污染的时候,现有的这些方法用于图像识别时效果欠佳。为了解决这个问题,本文对深度学习框架下的图像特征提取及识别方法进行了深入的研究,主要研究内容如下:1)提出了一种LPPNet学习网络结构,用于图像特征提取及识别。具体地,该网络用LPP算法来学习滤波器组,用哈希二值化和块直方图进行索引和池化。特别地,由于LPP算法同时考虑了数据的局部几何结构和类别信息,因此它学习的滤波器组能提取更有判别力的特征,适用于图像分类与识别任务中。此外,在学习滤波器中,本文根据每层网络中训练滤波器时的特征值设计滤波器的权重,得到加权滤波器组,从而使经此滤波器提取的特征更加具表现力。最后,本文采用基于卡方距离度量的最近邻分类器用于图像分类。在Yale B、CMU PIE和FERET数据集上的大量实验结果表明,与现有特征提取方法相比,本文所提出的LPPNet具有更强的鲁棒性和更好的识别效果。2)根据所提出的LPPNet学习网络,设计了一个图像识别系统。该系统不仅能够利用输入的训练样本图像对LPPNet学习网络进行训练,还能利用训练好的LPPNet学习网络对待识别图像进行提取特征和识别。