《中图法》全称为《中国图书馆分类法》， 《中图法》的标记符号采用汉语拼音字母与阿拉伯数字相结合的混合制号码。用一个字母标志一个大类，以字母的顺序反映大类的序列。在字母后用数字表示大类以下类目的划分。
数字的编号制度，使用小数制，即首先顺序字母后的第一位数字，然后顺序第二位，以下类推。分类号码的排列，严格按照小数制的排列方法
数字的设置，尽可能使号码的级数代表类的级数，基本上遵从层累制的编制原则，但为了使号码适应类目设置的需要，在号码配备上也具有一定的灵法性。
扩展资料：
《中图法》是以科学分类和知识分类为基础，并结合文献内容特点及其某种特征进行逻辑划分和系统排列的类目表。
它是类分文献、组织文献分类排架、编制分类检索系统的工具。是当今国内图书馆使用最广泛的分类法体系，是我国目前通用的分类图书的工具。读者掌握了这部分类法的相关知识，便能迅速、有效地查询全国各图书馆馆藏。
参考资料来源：
百度百科-中国图书馆分类法
《中图法》简介《中国图书馆图书分类法》是我国建国后编制出版的一部具有代表性的大型综合性分类法，简称《中图法》。自1999年第四版起更名为《中国图书馆分类法》，简称不变，英文译名为Chinese Library Classification，英文缩写为CLC。《中图法》的编制始于1971年，先后出版了四版，即1975年出版的第一版，1980年出版的第二版，1990年出版的第三版，1999年出版的第四版。2001年6月出版了《中图法》（第四版）电子版版。此外1973年还出版了试用版。《中图法》与国内其他分类法相比，编制产生年代较晚，但发展很快，它不仅系统地总结了我国分类法的编制经验，而且还吸取了国外分类法的编制理论和技术。《中图法》第四版出版后，主要有以下特点：1. 在保证图书馆排架稳定性的前提下，提高了《中图法》的科学性、实用性，优化其检索功能。2. 在保证综合性分类法的基本前提下，照顾到专业图书馆文献分类的需要，处理集中与分散的关系以及各学科专业类目深度。3. 在类目类号编排上，贯彻了连续性、前瞻性和预见性原则。4. 保持《中图法》作为列举式分类法基本属性不变，保持《中图法》的基本部类和基本大类设置以及序列基本不变，保持《中图法》字母 - 数字混合制的标记符号与层累小数制的标记制度基本不变，在此前提下，对《中图法》个别大类的体系结构进行调整和完善，增补新学科、新主题概念。5. 《中图法》第四版较多地考虑到方便用户从第三版改用第四版的措施。总之，《中图法》是一部既可以组织藏书排架又可以分类检索的列举式等级式体系组配分类法，该分类法主要供大型综合性图书馆及情报机构类分文献、编制分类检索工具、组织文献分类排架使用，同时也可供其他不同规模和类型的图书情报单位根据自己的需要调整使用。目前，《中图法》已普遍应用于全国各类型的图书馆，国内主要大型书目、检索刊物、机读数据库，以及《中国国家标准书号》等都著录《中图法》分类号。《中图法》在它的发展史上，获得了许多殊荣，曾于1985年连同各种版本及辅助工具书荣获国家科学技术进步一等奖。曾被美国图书馆协会主持编制的《世界图书馆及情报机构百科全书》收入到"世界九大分类法"词条中。但是，《中图法》还存在着许多不足，《中图法》的发展历史就是从第一版到第四版不断更新、不断完善的发展过程史，每出一版都有一个质的飞跃。至四版为止，《中图法》为五大部类，二十二个大类，53,838个类目(包括专用和通用类目)。为了各图书情报单位深入学习、掌握和使用《中图法》，在文献分类工作中做到认识统一、归类准确、避免分歧，提高分类标引的质量，《中图法》编委会在每一新版本出版后，都编制了相应的使用手册。其中第一、二版称《〈中国图书馆图书分类法〉使用说明》，较为简略；第三版更名为《〈中国图书馆图书分类法〉、〈中国图书资料分类法〉使用手册》，增加了《中图法》编制理论的说明、版本介绍和有关的附录；第四版更名为《〈中国图书馆分类法〉使用手册》，编写的内容比以往各版本更加充实，增加了新版修订要点、机读数据标引等新内容。该手册是对《中图法》编制理论、结构体系和使用方法的权威说明，也是使用《中图法》最重要的工具书。它不仅对一般分类方法进行了阐述，还对各大类的分类要点作了较详细的说明，对分类法本身没有说明的分类规则、细分方法进行了解释。
《中图法》是《中国图书馆图书分类法》的简称，是我国目前通用的类分图书的工具，读者掌握了这部分类法的有关知识，便能迅速、有效地查寻全国各图书馆的馆藏。分类法基本结构（1）基本部类：如中图法分五大类部：马列毛邓；哲学；社会科学；自然科学；综合性图书。（2）基本大类：构成分类表的第一级类目。中图法为22个基本大类。（3）简表：由基本大类与由其直接展开的一、二类目所形成的类目表。如：（4）详表：由简表展开的各种不同登记的类目所组成的类目表，是文献分类的真正依据。根据图书资料的特点，按照从总到分，从一般到具体的编制原则，确定分类体系，在五个基本部类的基础上，组成二十二个大类。《中图法》的标记符号采用汉语拼音字母与阿拉伯数字相结合的混合号码。即用一个字母表示一个大类，以字母的顺序反映大类的序列。字母后用数字表示大类以下类目的划分。数字的编号使用小数制。现将五个基本部类及下设的二十二个大类列表如下： A马克思主义、列宁主义、毛泽东思想、邓小平理论A1马克思、恩格斯著作A2列宁著作A3斯大林著作A4毛泽东著作A49邓小平著作A5马克思、恩格斯、列宁、斯大林、毛泽东、邓小平著作汇编A7马克思、恩格斯、列宁、斯大林、毛泽东、邓小平生平和传记A8马克思主义、列宁主义、毛泽东思想、邓小平理论的学习和研究B哲学、宗教B0哲学理论B1世界哲学B2中国哲学B3亚洲哲学B4非洲哲学B5欧洲哲学B6大洋洲哲学B7美洲哲学B80思维哲学B81逻辑学（论理学）B82伦理学（道德哲学）B83美学B84心理学B9宗教C社会科学总论C0社会科学理论与方法论C1社会科学现状与发展C2社会科学机构、团体、会议C3社会科学研究方法C4社会科学教育与普及C5社会科学丛书、文集、连续性出版物C6社会科学参考工具书[C7]社会科学文献检索工具书C8统计学C91社会学C92人口学C93管理学[C94]系统科学C95民族学C96人才学C97劳动科学D政治、法律D0政治理论D1国际共产主义运动D2中国共产党D33/37各国共产党D4工人、农民、青年、妇女运动与组织D5世界政治D6中国政治D73/77各国政治D8外交、国际关系D9法律E军事E0军事理论E1世界军事E2中国军事E3/7各国军事E8战略学、战役学、战术学E9军事技术E99军事地形学、军事地理学F经济F0经济学F1世界各国经济概况、经济史、经济地理F2经济计划与管理F3农业经济F4工业经济F49信息产业经济（总论）F5交通运输经济F59邮电经济F7贸易经济F8财政、金融G文化、科学、教育、体育G0文化理论G1世界各国文化与文化事业G2信息与知识传播G3科学、科学研究G4教育G8体育H语言、文字H0语言学H1汉语H2中国少数民族语言H3常用外国语H4汉藏语系H5阿尔泰语系（突厥-蒙古-通古斯语系 ）H61南亚语系（澳斯特罗-亚西亚语系）H62南印语系（达罗毗荼语系）H63南岛语系（马来亚-玻里尼西亚语系）H64东北亚诸语言H65高加索语系（伊比利亚-高加索语系）H66乌拉尔语系（芬兰-乌戈尔语系）H67闪-含语系（阿非罗-亚西亚语系）H7印欧语系H81非洲诸语言H83美洲诸语言H84大洋洲诸语言H9国际辅助语I文学I0文学理论I1世界文学I2中国文学I3/7各国文学J艺术J0艺术理论J1世界各国艺术概况J2绘画J29书法、篆刻J3雕塑J4摄影艺术J5工艺美术J59建筑艺术J6音乐J7舞蹈J8戏剧艺术J9电影、电视艺术K历史、地理K0史学理论K1世界史K2中国史K3亚洲史K4非洲史K5欧洲史K6大洋洲史K7美洲史K81传记K85文物考古K89风俗习惯K9地理N自然科学总论N0自然科学理论与方法论N1自然科学现状与发展N2自然科学机构、团体、会议N3自然科学研究方法N4自然科学教育与普及N5自然科学丛书、文集、连续性出版物N6自然科学参考工具书[N7]自然科学文献检索工具N8自然科学调查、考察N91自然研究、自然历史N93非线性科学N94系统科学[N99]情报学、情报工作O数理科学和化学O1数学O3力学O4物理学O6化学O7晶体学P天文学、地球科学P1天文学P2测绘学P3地球物理学P4大气科学（气象学）P5地质学P7海洋学P9自然地理学Q生物科学Q1普通生物学Q2细胞生物学Q3遗传学Q4生理学Q5生物化学Q6生物物理学Q7分子生物学Q81生物工程学（生物技术）[Q89]环境生物学Q91古生物学Q93微生物学Q94植物学Q95动物学Q96昆虫学Q98人类学R医药、卫生R1预防医学、卫生学R2中国医学R3基础医学R4临床医学R5内科学R6外科学R71妇产科学R72儿科学R73肿瘤学R74神经病学与精神病学R75皮肤病学与性病学R76耳鼻咽喉科学R77眼科学R78口腔科学R79外国民族医学R8特种医学R9药学S农业科学S1农业基础科学S2农业工程S3农学（农艺学）S4植物保护S5农作物S6园艺S7林业S8畜牧、动物医学、狩猎、蚕、蜂S9水产、渔业T工业技术TB一般工业技术TD矿业工程TE石油、天然气工业TF冶金工业TG金属学与金属工艺TH机械、仪表工业TJ武器工业TK能源与动力工程TL原子能技术TM电工技术TN无线电电子学、电信技术TP自动化技术、计算机技术TQ化学工业TS轻工业、手工业TU建筑科学TV水利工程U交通运输U1综合运输U2铁路运输U4公路运输U6水路运输[U8]航空运输V航空、航天V1航空、航天技术的研究与探索V2航空V4航天（宇宙航行）V7航空、航天医学X环境科学、安全科学X1环境科学基础理论X2社会与环境X3环境保护管理X4灾害及其防治X5环境污染及其防治X7废物处理与综合利用X8环境质量评价与环境监测x9安全科学Z综合性图书Z1丛书 Z2百科全书、类书Z3辞典 Z4论文集、全集、选集、杂著 Z5年鉴、年刊 Z6期刊、连续性出版物 Z8图书目录、文摘、索引
一、广义上分类
1、从广义上来讲，期刊的分类，可以分为非正式期刊和正式期刊两种。非正式期刊是指通过行政部门审核领取“内部报刊准印证”作为行业内部交流的期刊(一般只限行业内交流不公开发行)，但也是合法期刊的一种，一般正式期刊都经历过非正式期刊过程。正式期刊是由国家新闻出版署与国家科委在商定的数额内审批，并编入“国内统一刊号”，办刊申请比较严格，要有一定的办刊实力，正式期刊有独立的办刊方针。
2、“国内统一刊号”是“国内统一连续出版物号”的简称，即“CN号”，它是新闻出版行政部门分配给连续出版物的代号。“国际刊号”是“国际标准连续出版物号”的简称，即“ISSN号”，我国大部分期刊都配有“ISSN号”。此外，正像报纸一样，期刊也可以不同的角度分类。有多少个角度就有多少种分类的结果，角度太多则流于繁琐。一般从以下三个角度进行分类：
二、按学科分类
以《中国图书馆图书分类法.期刊分类表》为代表，将期刊分为五个基本部类：(1)马列主义、毛泽东思想(2)哲学(3)社会科学(4)自然科学(5)综合性刊物。在基本部类中，又分为若干大类，如社会科学分为社会科学总论、政治、军事、经济、文化、科学、教育、体育、语言、文字、文学、艺术、历史、地理。
三、按内容分类
以《中国大百科全书》新闻出版卷为代表，将期刊分为四大类：(1)一般期刊，强调知识性与趣味性，读者面广，如我国的《人民画报》、《大众电影》，美国的《时代》、《读者文摘》等;(2)学术期刊，主要刊载学术论文、研究报告、评论等文章，以专业工作者为主要对象;(3)行业期刊，主要报道各行各业的产品、市场行情、经营管理进展与动态，如中国的《摩托车信息》、《家具》、日本的《办公室设备与产品》等;(4)检索期刊，如我国的《全国报刊索引》、《全国新书目》，美国的《化学文摘》等。
四、按学术地位分类
期刊按学术地位分类可分为核心期刊和非核心期刊两大类。
五、关于核心期刊
核心期刊，是指在某一学科领域(或若干领域)中最能反映该学科的学术水平，信息量大，利用率高，受到普遍重视的权威性期刊。国内对核心期刊的测定，主要运用文献计量学的方法，以及通过专家咨询等途径进行。
了解核心期刊具有重要的意义,就编者而言，可以从核心期刊吸取经验。就读者而言，树立核心期刊意识，可以明确价值取向，提高阅读档次。例如，语言文学专业的学生，首先要阅读《中国语文》、《文学评论》等核心期刊，而不是本末倒置。就图书馆而言，在经费有限的情况下，订阅时当然是以核心期刊为首选目标。就科研管理部门而言，可以统计分析单位或个人在核心期刊上发表论文的情况，以此作为衡量其学术水平的一项重要指标。因此，人们往往以在核心期刊上发表文章为自己的追求目标。当然核心期刊与非核心期刊不是固定不变的。非核心期刊经过努力，可以跻身于核心期刊之列;核心期刊如故步自封，也会被淘汰。
期刊由依法设立的期刊出版单位出版。期刊出版单位出版期刊，必须经新闻出版总署批准，持有国内统一连续出版物号，领取《期刊出版许可证》。
目前，我国采用的两种主流分区方式为：一是中国科学院国家科学图书馆制定的分区（简称中科院分区），二是科睿唯安公司制定的分区（也就是我们常说的JCR分区，原来是汤森路透，后改由科睿唯安发布）。SCI分区的主要依据是影响因子，影响因子的高低，在一定程度上可以反映一个期刊的影响力。“影响因子，是汤森路透出品的期刊引证报告中的一项数据。影响因子现已成为国际上通用的期刊评价指标。因每年期刊的影响因子会有所浮动，将影响因子定值作为学术评价指标也不够客观，且不同学科之间的影响因子差异较大，无法进行对比，按影响因子大小排序，进行等级划分？1、JCR分区：汤森路透每年会出版一本《期刊引用报告》（简称JCR），对86000多种SCI期刊的影响因子（Impact Factor）等指数加以统计。JCR将收录期刊分为178个不同学科类别。每个学科分类按照期刊的影响因子高低，分为Q1、Q2、Q3和Q4四个区，每个区占比25%。2、中科院分区：中科院是将JCR中所有期刊分为18个大类，小类按照JCR的178个学科分布。然后将18个大类期刊按照各类期刊影响因子划分为4个区。即1区、2区、3区和4区，每个区占比不同。而我们国内常说的一区二区，指的就是中科院的分区。3、ISSN刊物，是指在我国境地外注册，国内、外公开发行的刊物。该类刊物的刊号前标注有ISSN字母。现在许多杂志则同时具有CN和ISSN两种刊号。法律依据：《科学技术期刊管理办法》 第十六条 正式期刊每年只允许出版一期增刊。全国性期刊增刊由国家科委核批；地方性期刊增刊由省、自治区、直辖市科委商新闻出版局核批。批准件报国家科委、新闻出版署和当地新闻出版局备案。凡经批准出版的增刊，均需到省、自治区、直辖市新闻出版局办理“期刊增刊许可证”。
国家没有任何一个政府部门给刊物划分级别，所谓的刊物级别只是期刊行业的一种认识和一些社会机构推出期刊目录，虽然国家没有划分，可职称评审部门都有对期刊级别的要求。 以往的分法为一级刊物、二级刊物、三级刊物。现在一般是分为“核心期刊和普通期刊”两类，近几年有些地方在核心期刊里又分出；权威、重要、核心。 1、省级期刊 ： “省级 ” 期刊指由各省、自治区、直辖市及其所属部、委办、厅、局主办的期刊以及由各本、专科院校主办的学报（刊）。 如《陕西教育》主办单位为：陕西省教育厅 2、国家级期刊： “国家级”期刊指由国家部委、全国性团体、组织、机关、学术机构主办的刊物。 如《现代商业》主办单位： 中华全国商业信息中心 3、核心期刊： 目前国内有7大核心期刊（或来源期刊）遴选体系，凡是这些来源期刊目录里有的刊物均可认为核心期刊。 北京大学图书馆“中文核心期刊”； 南京大学“中文社会科学引文索引（CSSCI）来源期刊”； 中国科学院文献情报中心“中国科学引文数据库（CSCD）来源期刊”； 中国科学技术信息研究所“中国科技论文统计源期刊”（又称“中国科技核心期刊”）； 中国社会科学院文献信息中心“中国人文社会科学核心期刊”； 中国人文社会科学学报学会“中国人文社科学报核心期刊”； 万方数据股份有限公司正在建设中的“中国核心期刊遴选数据库”。 目前职称评审部门要求的核心期刊主要是以 “中文核心期刊”和 “中文社会科学引文索引（CSSCI）来源期刊”为主。极个别评审单位采用 “中国科学引文数据库（CSCD）来源期刊”。
1 《中国图书资料分类法》 一般介绍 性 质� 《中国图书资料分类法》是全国各类情报与信息单位、图书馆、资料部门广泛采用的大型检索语言工具书。检索语言是文献资料标引、检索系统中，用以表达文献资料主题概念和检索课题概念的人工语言，又称情报检索语言。情报检索语言主要包括分类检索语言和主题检索语言两大类。《资料法》即是为文献资料标引、存贮、检索而编制的分类检索语言。� 编制原则� (1)以马列主义、毛泽东思想、邓小平理论为指导思想，以辩证唯物主义和历史唯物主义为编制根据，类目的确立及其序列体现思想性、科学性和实用性，符合我国社会、经济、科技发展的特点。� (2)分类体系是以当代学科分类为基础，采取从总到分，从一般到具体的逻辑系统。分类框架的设置保持相对稳定，对社会、经济、科技的发展留有相当余地。� (3)要包括哲学、社会科学、自然科学、工程技术等一切知识门类和各种形式、体裁以及各种载体，并能容纳古今中外的文献资料。� (4)类目安排的标记符号的编排上要力求简明、易懂、易记，并适应文献资料分类标引和机读数据输入、输出的便利。� (5)在保持同《中国图书馆分类法》体系结构一致的基础上，尽量突出“资料”与“图书”的不同特点，满足文献资料深度加工和数据库建设的需要。� (6)适应网络环境下电子计算机编目和检索的需要，并且共同为全国统一分类编目创造条件。� 版 本 《资料法》初版、二版、三版分别于1975年、1982年、1989年由科学技术文献出版社出版。在此之前，即1959～1963年期间，我国图书与情报系统合作创建了《中国图书馆图书分类法》(简称《大型法》)。其中上册为哲学社会科学部分，以油印本形式作为草案下发征求意见。下册为自然科学，技术科学和综合性图书，正式出版并推广应用。1971年由北京图书馆和中国科学技术情报研究所等单位倡议，由全国36个图书情报单位组成了编辑组，在《大型法》的基础上着手编制适用于我国各类型图书馆和情报部门的综合分类法。经过几年的努力，1973年以试用本形式发行并征求意见，1975年出版了适用于图书馆的《中国图书馆图书分类法》(以下简称《中图法》和适用于情报资料部门的《中国图书资料分类法》(以下简称《资料法》)，二者体系结构一致，具体类目有简有详，分类方法上后者比较灵活。此后又在初版参加单位的基础上成立了编委会，组织和协调两部分类法的修订工作，图书馆系统侧重《中图法》的修订，情报系统侧重《资料法》的修订。1980～1982年《中图法》和《资料法》在图书馆系统和情报系统密切配合下，又分别修订编辑并出版了第2版。与此同时，还编辑出版了《中图法》和《资料法》的索引。两部分类法及其索引在全国获得广泛应用，产生明显的社会效益，再加上其编辑修订以及推广应用等方面的工作成效，为此荣获首届国家科学技术进步奖一等奖。80年代末期，为适应我国社会、经济、科技的发展和文献资料数量、类型、品种日益增多的需要，《资料法》同《中图法》一起又再次修订，于1989年出版了第三版。� 自《资料法》第三版出版后，信息技术的发展日新月异。为使分类法适应电子计算机编目与检索的要求，国内学术界进行了很多研究。中国科学技术情报研究所(后改为中国科学技术信息研究所)的检索语言组和文献资料部门也在这方面进行了积极探索。传统的体系分类法在适应计算机检索方面存在不足，另编分类法或对现行分类法进行根本性改造又会给原有用户造成麻烦，因此如何在《资料法》的基础上通过采取各种措施加以改进，使之满足计算机编目和检索的需要，就成为一个非常重要而现实的问题。1996年9月原国家科委信息司下发《关于修订“中国图书资料分类法”第三版的通知》，专门组建了编委会，征求19个部委情报(信息)所和有关单位对各专业的修订意见，并且在中国科技信息研究所成立了修订编审组。根据编委会对《资料法》四版体系结构保持不变，而要更多反映新学科、新技术、新事物的精神，这次修订保持了与《中图法》体系结构一致、有详有简的传统，除吸收《中图法》四版的增补内容外，重点修订增补自然科 学与工业技术，这部分的类目、类名与注释的数量都有较大幅度的提高。还根据编委会对《资料法》四版增强组配功能、适应机检需要的精神，增设了若干专用复分表和通用复分表，并适当增加了一些仿分类目。这次修订变化最大的是普遍采用了组配方法，允许类目间灵活地进行自由组配，并实行分段标记法以尽量满足网络环境下机检要求，为用户提供更多、更新的检索点。此外，《资料法》四版还对三版中的技术性问题进行了校正。总之，《资料法》四版在修订幅度与修订质量上都比前几版有较大提高。特别在改进传统体系分类法，使之向体系—组配式分类法方向发展方面向前迈出了一步。
目前的《中图法》是集图书和资料类分一体的分类法。在类号中加号(+)后面的号适用于资料分类,加号前面的类号适用于图书分类。如果是对图书进行...
毕业论文的分类号是中图分类号。中图分类号可以在上查询。中图分类号，是指采用《中国图书馆分类法》对科技文献进行主题分析，并依照文献内容的学科属性和特征，分门别类地组织文献，所获取的分类代号。《中国图书馆分类法》（原称《中国图书馆图书分类法》）是我国建国后编制出版的一部具有代表性的大型综合性分类法，是当今国内图书馆使用最广泛的分类法体系，简称《中图法》。
中图分类号是在投向中国国内杂志时经常要用到的一个号码，编辑一般要你自己提供。目前国内大部分图书馆均采用《中国图书馆分类法（第四版）》作为馆藏分类体系，因此上你所在的图书馆问管理人员借来这本书查一下就可以了。 另外在网上也可以查到中图分类号，如从以下网页可以查到详细的中图分类号
中图分类号的确定方法如下：1、在百度中图分类，然后点击第一条显示结果，进入到中图分类号，点击右上侧学科分类及代码。2、继续进入学科分类代码及查询，输入我们相应的代码，点击查询就可以搜索到我们想知道的相关的内容了。3、如果大家不知道对应代码，可以在学科分类与代码查询下方查询，学科分类与代码分类列表中包含所有学科相关的内容，每一个大的学科代码下面又被进一步分为很多不同研究方向的具体代码，这里以代码130（力学）为例。4、点击页面当中的力学（代码130），进入力学分类页面，可以看到力学这门学科下面又具体分，基础力学等学科，这个时候可以看到此时对应的分类代码范围仍然比较广，再以振动与波为例进行操作。5、然后我们可以点击振动与波选项，进入振动与波分类列表，从中可以看到振动与波又分为线性振动力学，非线性振动力学等学科，这样就可以得到最为具体的中图分类号了，你的论文和以上那些内容相关，将对应的中图分类号写在论文关键字下方，这样就完成了论文中中图分类号的查询与确定。
中图分类号是指采用《中国图书馆分类法》对科技文献进行主题分析，并依照文献内容的学科属性和特征，分门别类地组织文献，所获取的分类代号。《中国图书馆分类法》（原称《中国图书馆图书分类法》），简称《中图法》，是我国建国后编制出版的一部具有代表性的大型综合性分类法，是当今国内图书馆使用最广泛的分类法体系。中国图书馆分类法共分5个基本部类、22个大类。采用英文字母与阿拉伯数字相结合的混合号码，用一个字母代表一个大类，以字母顺序反映大类的次序，在字母后用数字作标记。为适应工业技术发展及该类文献的分类，对工业技术二级类目，采用双字母。
论文分类号采用中图分类法确定。
《中图分类法》是《中国图书馆分类法》的简称，是我国通用的类分图书的工具。
根据图书资料的特点，按照从总到分，从一般到具体的编制原则，确定分类体系，在五个基本部类的基础上，组成二十二个大类。
《中图法》的标记符号采用汉语拼音字母与阿拉伯数字相结合的混合号码。即用一个字母表示一个大类，以字母的顺序反映大类的序列。字母后用数字表示大类以下类目的划分。数字的编号使用小数制。
论文分类号填写规范：
与学校规定冲突，以学校为准学位。
论文版式，格式：硕士学位论文一律为横开本，左侧装订，以16开纸排版印刷，装订后尺寸长26厘米宽18厘米为标准。毕业论文可能涉及几个不同的小类，在填写中图分类法的时候可以填写一个或多个，多个分类号请分开即可。
1.中图分类号，是指采用《中国图书馆分类法》对科技文献进行主题分析，并依照文献内容的学科属性和特征，分门别类地组织文献，所获取的分类代号。2.英国、匈牙利和西班牙把UDC定为国家标准。苏联则规定UDC为类分科技文献的分类法。许多国家出版的期刊论文和特种技术资料都标有UDC类号。中国国家标准(GB)上也标有UDC的类号。《中国标准文献分类法》P工程建设
图像分类作为计算机视觉领域的基础任务，经过大量的研究与试验，已经取得了傲人的成绩。然而，现有的分类任务大多是以单标签分类展开研究的。当图片中有多个标签时，又该如何进行分类呢？本篇综述将带领大家了解多标签图像分类这一方向，了解更具难度的图像分类。 作者 | 郭冰洋 编辑 | 言有三 随着科学技术的进步与发展，图像作为信息传播的重要媒介，在通信、无人驾驶、医学影像分析、航天、遥感等多个领域得到了广泛的研究，并在国民社会、经济生活中承担着更加重要的角色。人们对图像研究的愈发重视，也促使计算机视觉领域迎来了蓬勃发展的黄金时代。 作为计算机视觉领域的基础性任务，图像分类是目标检测、语义分割的重要支撑，其目标是将不同的图像划分到不同的类别，并实现最小的分类误差。经过近30年的研究，图像分类已经成功应用至社会生活的方方面面。如今，在我们的生活中随处可见——智能手机的相册自动分类、产品缺陷识别、无人驾驶等等。 根据分类任务的目标不同，可以将图像分类任务划分成两部分:（1）单标签图像分类；（2）多标签图像分类。 单标签图像分类是指每张图片对应一个类别标签，根据物体类别的数量，又可以将单标签图像分类划分成二分类、多类别分类。如下图所示，可以将该图的标签记为海洋，通过单标签图像分类我们可以判定该图像中是否含有海洋。 然而，现实生活中的图片中往往包含多个类别的物体，这也更加符合人的认知习惯。我们再来观察下图，可以发现图中不仅包含海洋，还包括了海豚。多标签图像分类可以告知我们图像中是否同时包含这些内容，这也能够更好地解决实际生活中的问题。 机器学习算法主要包括两个解决思路： (1) 问题迁移，即将多标签分类问题转化为单标签分类问题，如将标签转化为向量、训练多个分类器等； (2) 根据多标签特点，提出新的适应性算法，包括ML-KNN、Ranking SVM、Multi-label Decision Tree等。现对其中具有代表性的算法进行总结。 问题迁移 问题迁移方法的主要思想是先将多标签数据集用某种方式转换成单标签数据集，然后运用单标签分类方法进行分类。该方法有可以包括基于标签转换和基于样本实例转换。 基于标签转换 针对每个标签，将属于这个标签的所有实例分为一类，不属于的分为另一类，将所有数据转换为多个单标签分类问题(如下图)。典型算法主要有Binary Relevance和Classifier Chain两种。 基于样本实例转换 这种方法是将多标签实例分解成多个单标签实例。如下图所示。实例E3对应标签y3和y4，则通过分解多标签方法法将E3分解成单独选中标签y3和y4的实例，然后对每一个标签作单独预测。 适应性方法 如上文所述，新的适应性算法是根据多标签分类的特殊性，改进现有的单标签分类算法，主要包括以下三种： ML-KNN ML-KNN由传统的KNN算法发展而来。首先通过KNN算法得到样本最接近的K个邻近样本，然后根据K个邻近样本的标签，统计属于某一标签的邻近样本个数，最后利用最大后验概率原则（MAP）决定测试样本含有的标签集合。 Rank SVM Rank SVM是在SVM的基础上，加入Ranking Loss损失函数和相应的边际函数作为约束条件，并扩展目标函数而提出的一种多标签学习算法。该算法的简要思路是：首先定义函数s(x)是样本x的标签集的规模大小，然后定义rk(x)=wkTx+bk，如果求得的rk(x)值在最大的s(x)个元素(r1(x),...rQ(x))之间，则认为该样本x选中该标签k，否则就没被选中。在求解过程中定义新的排序函数rk(x)-rl(x)≥1，其中k表示被样本x选中的标签，l表示没有被选中的标签，并基于这个新的排序函来大间隔分类器，同时最小化Ranking Loss，从而推导出适合多标签分类的目标函数和限制条件。 Multi-label Decision Tree 该算法采用决策树技术处理多标签数据，利用基于多标签熵的信息增益准则递归地构建决策树。树形结构包括非叶结点、分支、叶节点。决策树模型用于分类时，特征属性用非叶节点表示，特征属性在某个值域上的输出用非叶节点之间的分支表示，而类别则用叶节点存放。 计算思想如下：首先计算每个特征的信息增益，挑选增益最大的特征来划分样本为左右子集，递归下去，直到满足停止条件，完成决策树的构建。对新的测试样本，沿根节点遍历一条路径到叶子节点，计算叶子节点样本子集中每个标签为0和1的概率，概率超过则表示含有该标签。当遍历所有路径到底不同的叶节点之后，则可判断涵盖的所有标签信息。 除了上述三类主要算法外，还包括诸多以单标签分类进行改进的算法，在此不再赘述。 深度学习的发展带动了图像分类精度的大幅提升，神经网络强大的非线性表征能力可以在大规模数据中学习到更加有效的特征。近年来，多标签图像分类也开始使用深度学习的思想展开研究。 魏云超等在程明明教授提出的BING理论基础上，提出了Hypotheses-CNN-Pooling。首先对每张图片提取含有标签信息的候选区域（如上图中的Hypotheses Extraction过程），然后将每个候选区域送入CNN进行分类训练，最后利用cross-hypothesis max-pooling融合所有候选区域的分类结果，从而得到多个标签信息完整的图片。 CNN具有强大的语义信息提取能力，而RNN则可以建立信息之间的关联。根据这一理论观点，Jiang Wang等提出了CNN-RNN联合的网络结构。首先利用CNN对输入图像进行训练，得到相应的特征，然后将图片对应的特征投影到与标签一致的空间中，在该空间利用RNN进行单词的搜索训练。该算法充分考虑了类别之间的相关性，可以有效对图像中具有一定关系的标签进行识别。 在CNN-RNN结构的基础上，后续文章又加入Regional LSTM模块。该模块可以对CNN的特征进行导向处理，从而获取特征的位置信息，并计算位置信息和标签之间的相关性。在上文的结果上进一步考虑了特征、位置和标签之间潜在的依赖关系，可以有效计算图片中多个标签同时存在的可能性，并进行图片的分类。 最近，诸多基于image-level进行弱监督分割研究的文章，充分利用了多标签分类网络的信息。其主要思想是将标签统一处理为向量形式，为每幅图片构建一个维度为1xN的矩阵标签（如[0,0,0,1,1,0]形式），并采用专门的损失函数(Hanming loss、Ranking loss等)进行训练。这一方法成功地将多标签的复杂问题，转化为单标签问题，从而可以利用传统的分类网络进行训练。 多标签图像分类的相关算法仍然层出不穷，但不论是基于机器学习还是基于深度学习的算法，都有其优势和不足，如何根据实际应用需求选用合适的算法，才是我们应当关注的重点内容。 单标签分类中通常采用准确率(Precision)，召回率(Recall)、F值(F-measure)和AUC曲线对分类结果进行评价。然而，在多标签分类中一个图片与多个标签同时关联，其复杂程度远远高于单标签分类。因此，在继承单标签分类评价指标的基础上，许多关于多标签分类的评价指标也被提出。在这里只介绍多标签分类常用的指标，有关单标签分类的指标不再赘述。 平均准确率(AP)和平均准确率均值(mAP) 同单标签分类一样，当一张图片中的所有标记均预测正确时，准确率才可以置1，否则置零。每个类别下的标签分别进行计算后，取其平均值即可获得平均准确率，对所有平均准确率取均值即可获得平均准确率均值。平均准确率可以衡量模型在每个类别的好坏程度，而平均准确率均值则衡量的是在所有类别的好坏程度。 汉明距离 将预测的标签集合与实际的标签集合进行对比，按照汉明距离的相似度来衡量。汉明距离的相似度越高，即汉明损失函数越小，则模型的准确率越高。 1-错误率 1-错误率用来计算预测结果中排序第一的标签不属于实际标签集中的概率。其思想相当于单标签分类问题中的错误率评价指标。1-错误率越小，说明预测结果越接近实际标签，模型的预测结果也就越好。 覆盖率 覆盖率用来度量“排序好的标签列表”平均需要移动多少步数，才能覆盖真实的相关标签集合。对预测集合Y中的所有标签{y1，y2，… yi … yn}进行排序，并返回标签yi在排序表中的排名，排名越高，则相关性越差，反之，相关性越高。 排序损失 排序损失计算的是不相关标签比相关标签的相关性还要大的概率。 高质量的数据集是图像分类的基础，更是关键所在。随着人们对数据质量的重视程度越来越高，如今已有诸多完备的多标签图像分类数据集。 Pascal VOC Pascal VOC数据集的主要任务是在真实场景中识别来自多个类别的目标。该数据集共有近两万张图片，共有20个类别组成。Pascal VOC官方对每张图片都进行了详细的信息标注，包括类别信息、边界框信息和语义信息，均保存在相应的xml格式文件中。通过读取xml文件中的项，我们可以获取到单张图片中包含的多个物体类别信息，从而构建多标签信息集合并进行分类训练。 COCO COCO(Common Objects in Context)数据集由微软公司赞助搭建。该数据集包含了91个类别，三十余万张图片以及近二百五十万个标签。与Pascal VOC相类似，COCO数据的标注信息均保存在图片对应的json格式文件中。通过读取json文件中的annotation字段，可以获取其中的category_id项，从而获取图片中的类别信息。同一json文件中包含多个category_id项，可以帮助我们构建多标签信息。COCO数据集的类别虽然远远大于Pascal VOC，而且每一类包含的图像更多，这也更有利于特定场景下的特征学习。 除了上述两个个主流数据集之外，比较常用的还包括ImageNet数据集、NUS-WIDE数据集。近年来，诸多公司、科研机构也提出了诸多全新的数据集，如ML-Images等。这些标注完善的数据，为多标签图像分类的研究提供了有力的支持，同样也为图像处理领域的发展做出了巨大贡献。 (1)多标签图像分类的可能性随着图片中标签类别的增加呈指数级增长，在现有的硬件基础上会加剧训练的负担和时间成本，如何有效的降低信息维度是面临的最大挑战。 (2) 多标签分类往往没有考虑类别之间的相关性，如房子大概率不会出现老虎、海洋上不太可能出现汽车。对于人类来说，这些均是常识性的问题，但对于计算机却是非常复杂的过程，如何找到类别之间的相关性也能够更好的降低多标签图像分类的难度。 古语有云：“纸上得来终觉浅，绝知此事要躬行”，理论知识的学习必须通过实践才能进一步强化，完成了综述内容的书写，后续将基于Pytorch框架以Pascal VOC2012增强数据集进行多标签图像分类实战，敬请期待哦！ 如果想加入我们，后台留言吧 技术交流请移步知识星球 更多请关注知乎专栏《有三AI学院》和公众号《有三AI》
Abstract
我们训练了一个大型的深度卷积神经网络，将ImageNet lsvprc -2010竞赛中的120万幅高分辨率图像分类为1000个不同的类。在测试数据上，我们实现了top-1和top-5的错误率，分别为和，这与前的最高水平相比有了很大的提高。该神经网络有6000万个参数和65万个神经元，由5个卷积层(其中一些后面接了最大池化层)和3个全连接层(最后的1000路softmax)组成。为了使训练更快，我们使用了非饱和神经元和一个非常高效的GPU实现卷积运算。为了减少全连通层的过拟合，我们采用了一种最近发展起来的正则化方法——dropout，结果显示它非常有效。我们还在ILSVRC-2012比赛中输入了该模型的一个变体，并获得了的top-5测试错误率，而第二名获得了的错误率.
1 Introduction
当前的物体识别方法主要利用机器学习方法。为了提高它们的性能，我们可以收集更大的数据集，学习更强大的模型，并使用更好的技术来防止过度拟合。直到最近，标记图像的数据集在成千上万的图像(例如，NORB [16]， Caltech-101/256 [8,9]， CIFAR-10/100[12])中相对较小。使用这种大小的数据集可以很好地解决简单的识别任务，特别是如果使用保存标签的转换来扩展它们。例如，MNIST数字识别任务的当前最佳错误率(<)接近人类性能[4]。但是现实环境中的物体表现出相当大的可变性，所以为了学会识别它们，有必要使用更大的训练集。的确，小图像数据集的缺点已经被广泛认识(例如，Pinto等人的[21])，但直到最近才有可能收集数百万张图像的标记数据集。新的更大的数据集包括LabelMe[23]，它由成千上万的全分段图像组成，和ImageNet[6]，它由超过22000个类别的超过1500万标记的高分辨率图像组成。
要从数百万张图像中了解数千个物体，我们需要一个具有巨大学习能力的模型。 然而，对象识别任务的巨大复杂性意味着即使像ImageNet这样大的数据集也无法指定这个问题，因此我们的模型也应该具有大量的先验知识来补偿我们没有的所有数据。卷积神经网络(Convolutional neural networks, CNNs)就是这样一类模型[16,11,13,18,15,22,26]。它们的能力可以通过改变深度和宽度来控制，而且它们还对图像的性质(即统计的平稳性和像素依赖的局部性)做出了强有力且最正确的假设。 因此，与具有相似大小层的标准前馈神经网络相比，CNNs具有更少的连接和参数，因此更容易训练，而其理论上最好的性能可能只会稍微差一些。
尽管CNNs的质量很吸引人，尽管它们的本地架构相对高效，但在高分辨率图像上大规模应用仍然非常昂贵。幸运的是，当前的gpu与高度优化的2D卷积实现相结合，已经足够强大，可以方便地训练有趣的大型CNNs，而最近的数据集(如ImageNet)包含了足够多的标记示例，可以在不严重过拟合的情况下训练此类模型。
本文的具体贡献如下：
最后，网络的大小主要受到当前gpu上可用内存的大小和我们愿意忍受的训练时间的大小的限制。我们的网络需要5到6天的时间来训练两个GTX 580 3GB GPU。我们所有的实验都表明，只要等待更快的gpu和更大的数据集可用，我们的结果就可以得到改善。
2 The Dataset
ImageNet是一个包含超过1500万张高分辨率图像的数据集，属于大约22000个类别。这些图片是从网上收集来的，并由人工贴标签者使用亚马逊的土耳其机械众包工具进行标记。从2010年开始，作为Pascal视觉对象挑战赛的一部分，每年都会举办一场名为ImageNet大型视觉识别挑战赛(ILSVRC)的比赛。ILSVRC使用ImageNet的一个子集，每个类别大约有1000张图片。总共大约有120万张训练图像、5万张验证图像和15万张测试图像。
ILSVRC-2010 是唯一可用测试集标签的 ILSVRC 版本，因此这是我们进行大多数实验的版本。由于我们也在 ILSVRC-2012 竞赛中加入了我们的模型，在第6节中，我们也报告了我们在这个版本的数据集上的结果，对于这个版本的数据集，测试集标签是不可用的。在 ImageNet 上，通常报告两个错误率：top-1 和 top-5，其中 top-5 错误率是测试图像的一部分，其中正确的标签不在模型认为最可能的五个标签中。
ImageNet由可变分辨率的图像组成，而我们的系统需要一个恒定的输入维数。 因此，我们将图像降采样到256 * 256的固定分辨率。给定一个矩形图像，我们首先重新调整图像的大小，使其短边长度为256，然后从结果图像中裁剪出中心的256%256块。除了从每个像素中减去训练集上的平均活动外，我们没有以任何其他方式对图像进行预处理。因此，我们将网络训练成像素的原始RGB值(居中)。
3 The Architecture
ReLU Nonlinearity
Training on Multiple GPUs
Local Response Normalization
Overlapping Pooling
Pooling layers in CNNs summarize the outputs of neighboring groups of neurons in the same kernel map. Traditionally, the neighborhoods summarized by adjacent pooling units do not overlap (.,[17, 11, 4]). To be more precise, a pooling layer can be thought of as consisting of a grid of pooling units spaced s pixels apart, each summarizing a neighborhood of size z z centered at the location of the pooling unit. If we set s = z, we obtain traditional local pooling as commonly employed in CNNs. If we set s < z, we obtain overlapping pooling. This is what we use throughout our network, with s = 2 and z = 3. This scheme reduces the top-1 and top-5 error rates by and , respectively, as compared with the non-overlapping scheme s = 2; z = 2, which produces output of equivalent dimensions. We generally observe during training that models with overlapping pooling find it slightly more difficult to overfit.
Overall Architecture
Now we are ready to describe the overall architecture of our CNN. As depicted in Figure 2, the net contains eight layers with weights; the first five are convolutional and the remaining three are fully-connected. The output of the last fully-connected layer is fed to a 1000-way softmax which produces a distribution over the 1000 class labels. Our network maximizes the multinomial logistic regression objective, which is equivalent to maximizing the average across training cases of the log-probability of the correct label under the prediction distribution.
4 Reducing Overfitting
Data Augmentation
Dropout
结合许多不同模型的预测是减少测试错误的一种非常成功的方法[1,3]，但是对于已经需要几天训练的大型神经网络来说，这似乎太昂贵了。然而，有一个非常有效的模型组合版本，它在训练期间只花费大约2倍的成本。最近介绍的技术称为dropout[10]，它将每个隐藏神经元的输出设置为0，概率为。以这种方式丢弃的神经元不参与正向传递，也不参与反向传播。所以每次输入时，神经网络都会对不同的结构进行采样，但是所有这些结构都共享权重。这种技术减少了神经元之间复杂的相互适应，因为神经元不能依赖于特定的其他神经元的存在。因此，它被迫学习与其他神经元的许多不同随机子集结合使用的更健壮的特征。在测试时，我们使用所有的神经元，但将它们的输出乘以，这是一个合理的近似值，近似于取由指数型多退出网络产生的预测分布的几何平均值。
我们在图2的前两个完全连接的层中使用了dropout。没有dropout，我们的网络显示出大量的过拟合。Dropout使收敛所需的迭代次数增加了一倍。
5 Details of learning
7 Discussion
随着图像处理技术的迅速发展，图像识别技术的应用领域越来越广泛。我整理了图像识别技术论文，欢迎阅读!
图像识别技术研究综述
摘要：随着图像处理技术的迅速发展，图像识别技术的应用领域越来越广泛。图像识别是利用计算机对图像进行处理、分析和理解，由于图像在成像时受到外部环境的影响，使得图像具有特殊性，复杂性。基于图像处理技术进一步探讨图像识别技术及其应用前景。
关键词：图像处理;图像识别;成像
中图分类号：TP391 文献标识码：A 文章编号：1009-3044(2013)10-2446-02
图像是客观景物在人脑中形成的影像，是人类最重要的信息源，它是通过各种观测系统从客观世界中获得，具有直观性和易理解性。随着计算机技术、多媒体技术、人工智能技术的迅速发展，图像处理技术的应用也越来越广泛，并在科学研究、教育管理、医疗卫生、军事等领域已取得的一定的成绩。图像处理正显著地改变着人们的生活方式和生产手段，比如人们可以借助于图像处理技术欣赏月球的景色、交通管理中的车牌照识别系统、机器人领域中的计算机视觉等，在这些应用中，都离不开图像处理和识别技术。图像处理是指用计算机对图像进行处理，着重强调图像与图像之间进行的交换，主要目标是对图像进行加工以改善图像的视觉效果并为后期的图像识别大基础[1]。图像识别是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。但是由于获取的图像本事具有复杂性和特殊性，使得图像处理和识别技术成为研究热点。
1 图像处理技术
图像处理(image processing)利用计算机对图像进行分析，以达到所需的结果。图像处理可分为模拟图像处理和数字图像图像处理，而图像处理一般指数字图像处理。这种处理大多数是依赖于软件实现的。其目的是去除干扰、噪声，将原始图像编程适于计算机进行特征提取的形式，主要包括图像采样、图像增强、图像复原、图像编码与压缩和图像分割。
1)图像采集，图像采集是数字图像数据提取的主要方式。数字图像主要借助于数字摄像机、扫描仪、数码相机等设备经过采样数字化得到的图像，也包括一些动态图像，并可以将其转为数字图像，和文字、图形、声音一起存储在计算机内，显示在计算机的屏幕上。图像的提取是将一个图像变换为适合计算机处理的形式的第一步。
2)图像增强，图像在成像、采集、传输、复制等过程中图像的质量或多或少会造成一定的退化，数字化后的图像视觉效果不是十分满意。为了突出图像中感兴趣的部分，使图像的主体结构更加明确，必须对图像进行改善，即图像增强。通过图像增强，以减少图像中的图像的噪声，改变原来图像的亮度、色彩分布、对比度等参数。图像增强提高了图像的清晰度、图像的质量，使图像中的物体的轮廓更加清晰，细节更加明显。图像增强不考虑图像降质的原因，增强后的图像更加赏欣悦目，为后期的图像分析和图像理解奠定基础。
3)图像复原，图像复原也称图像恢复，由于在获取图像时环境噪声的影响、运动造成的图像模糊、光线的强弱等原因使得图像模糊，为了提取比较清晰的图像需要对图像进行恢复，图像恢复主要采用滤波方法，从降质的图像恢复原始图。图像复原的另一种特殊技术是图像重建，该技术是从物体横剖面的一组投影数据建立图像。
4)图像编码与压缩，数字图像的显著特点是数据量庞大，需要占用相当大的存储空间。但基于计算机的网络带宽和的大容量存储器无法进行数据图像的处理、存储、传输。为了能快速方便地在网络环境下传输图像或视频，那么必须对图像进行编码和压缩。目前，图像压缩编码已形成国际标准，如比较著名的静态图像压缩标准JPEG，该标准主要针对图像的分辨率、彩色图像和灰度图像，适用于网络传输的数码相片、彩色照片等方面。由于视频可以被看作是一幅幅不同的但有紧密相关的静态图像的时间序列，因此动态视频的单帧图像压缩可以应用静态图像的压缩标准。图像编码压缩技术可以减少图像的冗余数据量和存储器容量、提高图像传输速度、缩短处理时间。
5)图像分割技术，图像分割是把图像分成一些互不重叠而又具有各自特征的子区域，每一区域是像素的一个连续集，这里的特性可以是图像的颜色、形状、灰度和纹理等。图像分割根据目标与背景的先验知识将图像表示为物理上有意义的连通区域的集合。即对图像中的目标、背景进行标记、定位，然后把目标从背景中分离出来。目前，图像分割的方法主要有基于区域特征的分割方法、基于相关匹配的分割方法和基于边界特征的分割方法[2]。由于采集图像时会受到各种条件的影响会是图像变的模糊、噪声干扰，使得图像分割是会遇到困难。在实际的图像中需根据景物条件的不同选择适合的图像分割方法。图像分割为进一步的图像识别、分析和理解奠定了基础。
2 图像识别技术
图像识别是通过存储的信息(记忆中存储的信息)与当前的信息(当时进入感官的信息)进行比较实现对图像的识别[3]。前提是图像描述，描述是用数字或者符号表示图像或景物中各个目标的相关特征，甚至目标之间的关系，最终得到的是目标特征以及它们之间的关系的抽象表达。图像识别技术对图像中个性特征进行提取时，可以采用模板匹配模型。在某些具体的应用中，图像识别除了要给出被识别对象是什么物体外，还需要给出物体所处的位置和姿态以引导计算初工作。目前，图像识别技术已广泛应用于多个领域，如生物医学、卫星遥感、机器人视觉、货物检测、目标跟踪、自主车导航、公安、银行、交通、军事、电子商务和多媒体网络通信等。主要识别技术有：
指纹识别
指纹识别是生物识别技术中一种最实用、最可靠和价格便宜的识别手段，主要应用于身份验证。指纹识别是生物特征的一个部分，它具有不变性：一个人的指纹是终身不变的;唯一性：几乎没有两个完全相同的指纹[3]。一个指纹识别系统主要由指纹取像、预处理与特征提取、比对、数据库管理组成。目前，指纹识别技术与我们的现实生活紧密相关，如信用卡、医疗卡、考勤卡、储蓄卡、驾驶证、准考证等。
人脸识别 目前大多数人脸识别系统使用可见光或红外图像进行人脸识别，可见光图像识别性能很容易受到光照变化的影响。在户外光照条件不均匀的情况下，其正确识别率会大大降低。而红外图像进行人脸识别时可以克服昏暗光照条件变化影响，但由于红外线不能穿透玻璃，如果待识别的对象戴有眼镜，那么在图像识别时，眼部信息全部丢失，将严重影响人脸识别的性能[4]。
文字识别
文字识别是将模式识别、文字处理、人工智能集与一体的新技术，可以自动地把文字和其他信息分离出来，通过智能识别后输入计算机，用于代替人工的输入。文字识别技术可以将纸质的文档转换为电子文档，如银行票据、文稿、各类公式和符号等自动录入，可以提供文字的处理效率，有助于查询、修改、保存和传播。文字识别方法主要有结构统计模式识别、结构模式识别和人工神经网络[5]。由于文字的数量庞大、结构复杂、字体字形变化多样，使得文字识别技术的研究遇到一定的阻碍。
3 结束语
人类在识别现实世界中的各种事物或复杂的环境是一件轻而易举的事，但对于计算机来讲进行复杂的图像识别是非常困难的[6]。在环境较为简单的情况下，图像识别技术取得了一定的成功，但在复杂的环境下，仍面临着许多问题：如在图像识别过程中的图像分割算法之间的性能优越性比较没有特定的标准，以及算法本身存在一定的局限性，这使得图像识别的最终结果不十分精确等。
参考文献：
[1] 胡爱明，周孝宽.车牌图像的快速匹配识别方法[J].计算机工程与应用，2003，39(7)：90—91.
[2] 胡学龙.数字图像处理[M].北京：电子工业出版社，2011.
[3] 范立南，韩晓微，张广渊.图像处理与模式识别[M].北京：科学出版社，2007.
[4] 晓慧，刘志镜.基于脸部和步态特征融合的身份识别[J].计算机应用，2009，1(29)：8.
[5] 陈良育，曾振柄，张问银.基于图形理解的汉子构型自动分析系统[J].计算机应用，2005，25(7)：1629-1631.
[6] Sanderson C，Paliwal K Fusion and Person Verification Using Speech & Face Information[C].IDIAP-RR 02-33，Martigny，Swizerland，2002.
点击下页还有更多>>>图像识别技术论文