自然环境复杂多变，存在复杂天气如雨雪雾，草木摇晃和水面波动等大量动态背景并且光线不断变化，因此对噪声以及背景的抑制一直是复杂场景中运动目标检测的首要难题。为了抑制动态背景、慢速目标被吸收以及图像编码噪声等问题，在保证实时性的基础上，提出了一种基于纹理特征的自适应阈值运动目标检测算法。所提算法将感知哈希算法与局部二值模式结合，提出了一种改进的Hash_LBP算法并使用汉明距离进行约束，得到输入图像的局部二值模式值进行频次统计后，完成背景建模和前景提取。实验结果表明，所提算法对于红外和可见光等多种复杂背景，能够有效地抑制噪声、光照变化和动态背景，快速准确提取前景目标。

在雨雪天气、树叶晃动、水面闪烁等有复杂背景的可见光与红外场景中，快速准确地提取完整目标一直是运动目标检测中的首要难题。为了满足实时性，并针对现有视频的前景提取算法依赖先验信息、召回率低、缺乏纹理和噪声较大等问题，提出了一种基于直方图统计和改进的局部二值模式（Local Binary Pattern，LBP）纹理特征相结合的背景建模方法。首先，使用各像素直方图的众数作为参考背景，无需先验知识，节省了大量存储空间，再采用邻域补偿策略提出了一种改进的S_MBLBP纹理直方图与参考背景进行背景建模，消除了大部分动态背景和光照变化影响，实现目标的精确提取。实验表明，所提的算法在红外和可见光的多种复杂场景下，能快速提取前景目标的同时，提高了准确率和召回率。

如何利用较少训练样本达到高分类精度已成为高光谱遥感领域的重要研究方向和极具挑战性任务。针对高光谱图像包含的丰富光谱与空间信息，提出了一种联合局部二值模式LBP（Local Binary Patterns）与K-最近邻KNN（K-Nearest Neighbors）算法的高光谱图像分类方法。首先，通过主成分分析PCA（Principle Component Analysis）对高光谱数据进行降维；然后，使用LBP提取降维后的高光谱图像空间纹理信息，将光谱与空间特征变量堆叠成空—谱特征向量；最后，输入最近邻分类器得到分类结果。选取Pavia University、Indian Pines和Salinas三种公开高光谱数据集的训练集和测试集作为建模和验证数据源，选取KNN、基于径向基核函数的支持向量机（RBF-SVM）、核联合正交匹配追踪（Kernel Simultaneous Orthogonal Matching Pursuit，KSOMP）三种经典分类算法作为比较。在Pavia University与Indian Pines数据集中随机选取10%作为训练样本，总体精度和Kappa系数分别达到99.15%、98.87%和97.88%、97.58%；在Salinas数据集中随机选取2%作为训练样本，总体精度与Kappa系数为98.46%和98.29%。实验结果表明，在训练样本仅为数据集10%甚至2%的条件下，本文提出的方法仍可达到98%以上的分类精度，可满足训练样本难以获取的应用场景对高分类精度要求。

人脸识别技术易受光照、表情等因素影响，为充分提取人脸特征信息，提出了融合改进的局部二值模式(LBP)和梯度方向直方图(HOG)方法提取人脸图形纹理、细节特征，利用列方向压缩的2DPCA+PCA算法对人脸的特征空间进行降维处理，使用2DPCA算法降低了特征维度，解决了仅仅使用PCA方法，由于人脸图像特征维度高而造成求解模型复杂的问题，降低了计算规模，提高了运算速度。最后，使用ORL和Yale人脸数据库进行实验。结果表明，基于改进的LBP和HOG融合的特征提取具有一定的互补性，与其它的识别算法相比，该改进的算法识别率有了较大的提高，鲁棒性更强。