随着机器视觉在模式识别、图像处理以及人工智能等技术领域的应用愈加广泛,对其研究的内容也层出不穷。图像分类技术是图像处理和理解的基本问题，是计算机视觉和模式识别核心研究领域之一。在现实世界中，我们用人眼去认知外界的事物，通过人眼捕获外界传来的视觉信息，然后将这些信息交给大脑处理，即使其中某些图像信息会受光线、视角和尺寸等因素影响，但仍然能够通过大脑中已有的信息对其进行分类识别。相应的，在计算机视觉邻域，摄像机或者其他成像设备代替人眼，用计算机模拟大脑，通过对摄像机获取的数据信息进行处理和分析，从而得出正确的图像内容。近年来，该技术被广泛应用在机器人视觉和触觉识别上，大大提高了机器人感知识别物体的能力。　　机器视觉作为机器人获得环境信息的重要手段之一，它可以增加机器人的自主能力,提高机器人的灵活性。人们希望机器人可以智能的感知周围环境和事物的信息，例如快速的识别出呈现在其眼前的事物以及通过触摸物体来感知物体表面的属性，从而更好的服务人类。典型的机器人识别方法一般是引入深度神经网络结构，例如CNNs，该方法虽然效果很好但是耗时巨大，效率不高。近年来，黄广斌等人提出了一种新型的单层神经网络结构极限学习机(ELM)，该结构训练时间大大减小，分类精度也大大提高。在 ELM基础上，黄广斌等人引入了局部感受野并结合 CNN传统的卷积和池化操作提出一种新型神经网络结构即基于局部感受野的极限学习机（ELM-LRF），该模型输入与隐藏层间的连接是稀疏的，且由相应的局部感受野（对连续概率分布采样得到）包围，实验证明该模型不仅大大缩短了训练时间，而且也提高了算法的稳定性。因此，针对该新型神经网络结构的进一步研究具有十分重要的理论意义。　　本文以ELM-LRF为核心模型，将该算法应用于机器人目标识别和触觉识别当中，并在此基础上加以扩展研究进行改进，极大的提高了识别效率并且大幅度缩短运算时间。本文的主要创新点有：　　(1)针对当前目标识别研究现状，提出多模态模型进行目标识别，进一步提高对目标识别的准确率。通过前期分通道独立提取特征，减少外界噪声影响，之后将特征组合进行分类，很大程度上可以提高分类的稳定性和准确性。　　(2)考虑到目标图像高层特征的复杂性以及单层的 ELM-LRF已不能满足海量图像的分类处理需求，因此，将单层ELM-LRF进行深度扩展成多层深度ELM-LRF(HELM-LRF),进行多次卷积与池化操作。该深度神经网络结构不仅可以提取深度图像的抽象信息，而且保证了数据特征属性的位移不变性，很大程度上提升了对图像的分类处理能力。　　(3)提出一种基于神经网络数据特征提取的层次表达模型，该模型利用粗糙集下属性约简的相关理论，利用其提取有用特征的能力，将图像进行特征筛选，之后输入到HELM-LRF中进行特征提取和分类。