图像局部特征描述是计算机视觉的一个基本问题,局部特征描述子作为一种底层特征描述技术,可以描述丰富的图像局部细节结构,在图像发生形变、遮挡或缺损时,仍然表现出较强的鲁棒性,因此被广泛应用在目标检测和识别等计算机视觉任务中。计算机对图像进行理解通常采用“从局部到全局”的策略,这是一个从微观到介观到宏观,由底向上的图像描述过程。但是目前常用的图像特征抽取与描述技术是基于宏观整体或局部区域的,除LBP与GIMMRP算子外,很少有基于微观结构描述的局部特征技术。LBP具有计算简单,对图像旋转和图像灰度变换能保持不变性等优异性能,然而常规的LBP方法不足在于:(1)在二值化处理中,LBP仅保留了像素之间的灰度关系,导致图像细节信息的大量丢失;(2)LBP有可能会出现分布不均匀的直方图以及出现频率较低的模式类型;(3)LBP对所关注的模式类型需要预先定义,如“统一模式”是一种预先定义的模式。GIMMRP具有LBP相类似的优点,同时对图像微观结构有很强的描述表达能力,大幅度提升了二值描述算子的判别能力。但GIMMRP算法需要对图像中每一个3×3邻域和131个卷积模板进行卷积运算,导致计算效率低,运行速度慢,且获取到的BIMP重要模式是人为选择的结果,然而实际上对于不同的识别问题和应用数据集,其主导模式及其出现的频率并不一样,因此需要确定适应于每个数据集的最有效的主导模式集。本文通过零均值化的微观结构模式二值化(Zero-mean Microstructure Pattern Binarization,ZMPB)处理,提出一种立足于局部图像多尺度结构二值模式提取的图像表示方法。该方法能够表达图像中可能出现的各种具有视觉意义的重要模式结构,同时通过主导二值模式学习模型,可以获得适应于图像数据集的主导特征模式子集,在特征鲁棒性、鉴别力和表达能力上达到优异性能,同时有效降低特征编码的维度,提高算法的执行速度。为了验证算法的性能,在人脸图像数据集ORL和YALE,自行搜集的车标数据集和MNIST手写数字数据集上进行了实验,实验结果表明该算法性能优异,具有很强的判别能力和鲁棒性,优于传统LBP和GIMMRP方法,和很多最新算法结果相比,也具有一定的竞争优势。作为一种通用的图像识别描述方法,其具有高效、高鉴别力和较强的鲁棒性优点。可以广泛应用于目标检测、物体分类、文本检测与识别等领域。