In this work we present a method to classify a set of rock textures based on a Spectral Analysis and the extraction of the texture Features of the resulted images. Up to 520 features were tested using 4 different filters and all 31 different combinations were verified. The classification process relies on a Naïve Bayes classifier. We performed two kinds of optimizations: statistical optimization with covariance-based Principal Component Analysis (PCA) and a genetic optimization, for 10,000 randomly defined samples, achieving a final maximum classification success of 91% against the original ∼ 70% success ratio (without any optimization nor filters used). After the optimization 9 types of features emerged as most relevant.Keywords: Haralick Features, Genetic Algorithm, Texture Classification, Naïve Bayes, Image Processing, Principal Component Analysis.Resumo: Neste trabalho apresentamos um método para classificar um conjunto de texturas de rocha baseado na Análise espectral e na extração de features texturais das imagens resultantes. Um conjunto de 520 features foi testado usando 4 filtros diferentes e todas as 31 combinações dos mesmos foram verificadas. O processo de classificação propostoé baseado em um classificador Naïve Bayes. Foram realizados dois tipos de otimização nos parâmetros extraídos: uma otimização estatística usando uma Análise de Componente Principal por covariância (PCA) e uma otimização genética, para todas as 10.000 permutações aleatórias das imagens, obtendo um sucesso máximo final de classificação de 91%, sendo o sucesso inicial, sem nenhum tipo de otimização do 70%. Depois da aplicação do método aqui descrito 9 tipos diferentes de features emergeram como as mais relevantes para o problema de classificação de texturas de rochas.