纹理作为图像内容的三大基础特征之一,是表征物体表面的组织排列结构和内容的主要描述子,在医学诊断、遥感图像、缺陷检测等领域得到了普遍应用。现有的纹理描述子中没有综合考虑尺度、光照和视点等变化因素,面向分类任务时鲁棒性不强,易出现误分类问题。因此,本文针对现有方法的不足,研究基于纹理特征映射框架的图像分类算法。论文的主要工作如下:（1）提出了一种基于局部结构与低秩约束的纹理特征映射算法,用于解决单一描述子无法很好地适应尺度、光照和视角变化等情况的问题。其中,为了获取丰富的纹理信息,采用五种互补的时空域纹理描述子进行特征提取,这带来了较高的特征维度和冗余信息。设计了低秩约束来进行全局信息提取,获取低维流形结构并降低特征维度。同时,设计了KNN近邻与欧式距离相结合局部结构学习方法,保持特征映射前后局部结构的稳定性。实验结果表明,基于局部结构与低秩约束的纹理映射算法,能取得较好的纹理图像分类效果。（2）提出了一种结合全卷积神经网络的图像内部纹理分类算法,用于解决传统的全卷积网络在提取特征时一系列的下采样和较低采样率导致的分类不准确问题。为了减少下采样带来的精度损失,融合主干网络的后三层作为新的特征图输出。考虑到纹理尺度多样性的特点,设计了多尺度感知模块,来加强对纹理的特征提取能力。为了在边界处分类更精细,设计了一个跳接结构,将中间卷积层的结果连接到最后输出特征图中,实现中间纹理信息的跨层传输。实验结果表明,基于多尺度信息获取和跨层信息传输的全卷积神经网络在图像内部纹理分类中能达到较高的准确率。