进行多尺度的边缘检测。从图像处理角度看，小波变换具有“变焦”特性，在低频段可用高频率分辨率和低时间分辨率，在高频段可用低频率分辨率和高时间分辨率，小波交换在实现上有快速算法具有多分辨率，也叫多尺度的特点，可以由粗及精地逐步观察信号等优点。近年来多进制小波也开始用于边缘检测。另外，把小波变换和其它方法结合起来的图像分割技术也是现在研究的热点。
3、支持向量机支持向量机是由贝尔实验室的VladimirNVap
ik博士等人在1995年基于
统计学习理论基础上提出的一种专门研究小样本情况下的新型的机器学习方法。与传统统计学相比，SVM算法不是以经验风险最小化原则为基础的，而是建立在结构风险最小化原则基础之上的，是一种新型的结构化学习方法。
支持向量机以结构风险最小化准则为理论基础通过适当地选择函数子集及该子集中的判别函数使学习机器的实际风险达到最小保证了通过有限训练样本得到的小误差分类器它在解决小样本、非线性及高维分类等方面具有很大
f的优越性。SVM是真正意义上的可以自动选择的学习机，它能很好地解决有限数量样本的高维模型的结构问题，具有良好的分类能力和预测性能。由于SVM在许多应用领域表现出较好的推广能力，自20世纪90年代提出以后，迅速引起各领域的注意和研究兴趣。目前对SVM的研究主要有以统计学习理论为基础的理论研究、各种改进的SVM方法、针对大型问题的有效算法以及各种应用领域的推广等。
支持向量机的主要思想为两点：（1）它是针对线性可分情况进行分析，对于线性不可分情况，通过使用非线性映射算法将其低维输入空间线性不可分的样本转化为高维特征空间，使其线性可分，从而使得在高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。（2）它基于结构风险最小化理论之上，在特征空间中建构最优分割超平面，使得学习器得到全局最优化，并且使整个样本空间的期望风险以某个概率满足一定上界。支持向量机的目标就是要根据结构风险最小化原理，构造一个目标函数将两类模型尽可能地区分开来，通常分为两类情况来讨论：线性可分与线性不可分。
4、支持向量机的应用SVM在理论上具有突出的优势，在实践应用方面最早由贝尔实验室针对美
国邮政手写数字库的相关识别进行了研究，取得了相对成功。在最近几年，有关SVM的应用研究得到了很多领域的学者的重视，在人脸检测和识别、说话人语音识别、网络入侵检测、手写体数字识别、图像分割及其他应用研究等方面取得了r