图像在获取、传输的过程中会产生不同程度的噪声,从而影响图像识别的精度。因此在图像识别前进行图像滤波就显得尤为重要。图像中主要包括高斯噪声和椒盐噪声两种噪声类型,本文针对两种噪声的特点提出两种滤波算法。根据高斯噪声的特点和传统的图像模糊滤波算法在图像细节保护方面上的不足,提出了基于图像受噪程度的改进模糊加权均值滤波算法,该算法根据图像各像素点的受噪程度,得到首次滤波图像和原图像估计直方图,根据该直方图确定了模糊隶属度函数,然后对首次滤波图像中灰度小于25的像素点进行模糊加权均值滤波。对于椒盐噪声则提出一种基于支持向量机的改进中值滤波算法。该算法首先对噪声图像进行中值滤波,并对滤波后图像去模糊化,然后用支持向量机分类确定去模糊化后图像中灰度值为最大值或最小值的像素点是否为噪声点,最后通过支持向量机回归预测将噪声点恢复为原始信号。对两种算法分别进行仿真实验及仿真结果分析表明这两种算法不仅可以有效地去除噪声,且能够很好地保护图像细节信息,同时有较高的峰值信噪比。在图像识别方面,选取概率神经网络作为分类器,但是当训练样本增加时,概率神经网路的运行速度降低。于是提出了一种降维概率神经网络识别算法,该算法根据小波分解与FastICA算法提取图像的特征向量,然后用概率神经网络对得到特征向量进行识别,大大提高了识别精度和速度。实验表明,本文提出的降维概率神经网络算法实现了快速、高精度的图像识别效果。