本文采用计算机视觉与模式识别领域纹理分析分类的理论方法，针对木材自身的特点，实现了木材纹理的分类。 根据最近邻分类器的识别率和改进的模拟退火法进行木材表面纹理参数的选择。研究了灰度共生矩阵的构造方法，确定了像素间距，求取了木材的纹理参数，分析了木材纹理灰度共生矩阵参数与纹理特征的对应关系。根据特征参数选择结果，确定了输入给分类器的第一种特征向量。在椒盐噪声环境下，研究了三种滤波器对木材纹理图像的滤波效果，确定以中值滤波作为图像平滑方法。 研究了离散高斯噪声自相关函数与像素距离的关系，采用最小二乘拟合法估计了木材样本的分形维，分析了木材纹理的分形维数与木材纹理的粗糙性的关系。根据小波基的性质和重构误差确定小波基，根据重构后各子图像的能量和信息熵确定了小波分解级数。求取了二级小波分辨率下8幅木材子图像的分形维数。根据特征参数选择结果，确定了输入给分类器的第二种特征向量。 采用5阶Gauss-MRF模型，求取了木材纹理的5阶GMRF纹理参数，研究了GMRF模型参数与木材纹理积聚的对应关系。根据参数选择结果，确定了了输入给模式分类器的第三种特征向量。 在噪声环境下，研究了中值滤波前后木材纹理的灰度共生矩阵参数、多分辨率分形维参数、5阶GMRF参数的变化情况。 解决了K-近邻分类器在应用中出现的多个最大近邻数的问题。研究了基于Bayes准则的分类器集成方法和基于度量级的集成方法，实现了BP神经网络分类器的集成；在模式识别方法上，采用最近邻(NN)、改进的K-近邻(K-NN)、集成神经网络(C-ANN)三种分类器进行木材表面纹理分类。 在三种参数：灰度共生矩阵参数、多分辨率分形维、5阶高斯-马尔可夫随机场参数情况下，研究了两种近邻分类器和集成神经网络分类器的性能。 比较了灰度共生矩阵GLCM、多分辨率分形维MRFD和高斯-马尔可夫随机场GMRF三种纹理分析方法在描述木材表面纹理特征及分类的特点。由于单一种类参数描述木材纹理特征具有局限性，因此融合上述三种木材纹理参数，进行参数再选择，从而形成第四套参数体系，使识别率进一步提高。