人类与灵长类的视皮层目标识别性能远远优于最佳的机器视觉系统。因此，自上个世纪50年代起人们开始关注生物视觉启发的计算机视觉模型的研究。1999年，Riesenhuber和Poggio提出了基于视觉感知机理的标准模型特征SMFs（Standard Model Features）。但是，当前从计算机视觉的角度对基于SMFs的目标识别与纹理分类的性能进行大规模的分析评价极少，尤其是与SIFT和LBP等经典的计算机视觉模型对比研究以及SMF模型腹侧通路特征的分析评价，这对于我们认识生物启发的特征提取研究具有重要的理论与应用价值。2010年，Leibo等提出了选择性指数评价方法但并未进行深入的评价工作，本文则在此基础上对特征选择性进行详细的定量评价工作。本文在研究生物视觉系统尤其是腹侧通路的目标识别机制的基础上，基于纹理与目标图像数据库，从计算机视觉的角度对视觉层次特征计算模型在旋转、尺度及仿射等方面的不变性进行了详细的定量分析与评价，并与当今一流的计算机视觉方法进行比较系统深入的对比分析，获得了比较有价值的结论。本文研究工作及重要的实验评价结论主要包括：一，从生物视觉的角度出发，详细介绍了视皮层的腹侧通路、感受野及其特性，并对视皮层的不变性与选择性进行分析，阐明了标准模型的生物学基础。二，从计算机视觉的角度出发，分别介绍了生物视觉层次模型、局部二元模式特征、SIFT特征匹配算法。重点分析讨论了生物层次模型的算法性能及其不变性、选择性特性。同时，引入本文的评价体系与方法。三，目标与纹理分类的评价分析。首先进行训练集大小评价、参数评价、运行时间评价等，然后分别在纹理数据库、目标数据库及高分辨率遥感影像混合数据库上进行不变性与选择性分析，最后分别与LBP特征、SIFT特征进行不变性的比较分析，最终得出结论。①通过大量纹理、目标及高分辨率遥感影像的实验分析，生物视觉模型具有优良的旋转不变性、尺度不变性与仿射不变性。②与当前一流的计算机视觉方法，比如LBP特征及SIFT特征进行了对比与分析发现：SMFs特征的旋转不变性远远优于LBP特征，略优于SIFT特征；SMFs特征的尺度不变性优于LBP特征，而对于SIFT特征而言，当尺度级较大时，标准模型特征的尺度不变性优于SIFT特征，当尺度级较小时，SIFT特征的尺度不变性更优；SMFs特征的仿射不变性均优于LBP算子及SIFT算法。③在此基础上，本文还进行了腹侧通路上每个层次之间的选择性与不变性评价，实验结果表明，SMFs特征在腹侧通路上的不变性、选择性变化趋势与生物视觉系统在腹侧通路上的不变性、选择性变化趋势并不完全一致，这初步表明了SMF模型还不能很好地反映腹侧通路上的不变性与选择性都渐进递增的生物机理。