近年来,计算机视觉研究在水体检测、城市防洪、水资源保护等领域得到应用,研究人员先后提出了基于图像的水质评估、水体监控和水患预防等方法。但是,对于水污染图像而言,由于水体污染物与水体的占比不确定、不同污染源导致的水污染图像外观差异较大,判断其是否存在污染并进一步给出污染源类别,具有一定挑战性,根据可检索的公开报道,尚未发现水污染图像检测与分类问题的针对性方法。本文系统研究了水污染图像的检测与分类问题,分别提出了一种基于傅里叶变换的快速水污染图像检测算法,以及一种基于多特征融合的水污染图像分类算法。本文的具体工作如下:1、针对水污染图像检测问题,本文提出了一种基于傅里叶变换的快速水污染图像检测算法。该算法首先利用傅里叶变换得到原图像在不同颜色通道上的频谱图像,以放大水体图像间的纹理差异。之后,该方法利用极坐标下的频谱图分割方法对频谱图进行分割,并提取每个分割单元的统计特征作为图像的纹理特征。最后,将生成的特征矩阵传递给支持向量机分类器,从而得到水污染图像检测的结果。2、针对水污染图像分类问题,本文进一步提出了一种基于多特征融合的水污染图像分类算法。首先,该方法利用图像的HSV颜色空间上各个颜色通道,生成了两幅基于特征值分解和梯度分布的方向相关性图像作为增强图像,并基于高斯一阶导数滤波器,在增强图像上提取尺度不变梯度方向特征。同时,本文基于伽柏小波滤波器对原图像的各个颜色通道图像进行过滤,并提取三种不同的二值特征来强化图像中的弱边缘信息。接着,本文利用L-Softmax改进后的VGG16网络提取图像的上层特征。最后,基于这些特征,本文通过前期融合的方式获取鲁棒性更强的融合后特征,并通过梯度提升决策树对水污染图像进行分类。本文在已有的水体检测数据集的基础上增加了不同类别的非污染水体和污染水体图像数据,从而创建了适用于水污染图像检测和分类研究的水污染图像数据集。在该数据集上,本文分别进行了两种方法的实验和对比;实验结果表明,本文提出的水污染图像检测和分类算法是可行并且有效的。同时,本文方法在纹理图像标准数据集中进行了实验并取得了较好的结果,也验证了本文方法的有效性和可移植性。