信号表示的稀疏变换类型通常分为过完备字典和正交变换。正交变换能够通过快速的变换来处理较大的图像获得精确重构信号，例如离散余弦变换，小波变换等，但只能在一定稀疏度上还原信号。以过完备字典为基础，信号可被描述为原子的稀疏线性组合，稀疏表示所依赖的字典模型是研究设计的重点。过完备字典对各种信号进行学习，从而使字典能重构广泛类型的信号。本文论述的重点为更快地让字典自适应收敛稳定。按一定原则进行字典的自适应更新的方法称为字典的学习算法，字典更新至收敛所需迭代的次数，重构信号误差，字典处理大训练信号的能力等都是评判和影响字典学习算法的重要因素。　　在以往的字典学习方法中，大都是以单个原子为单位进行字典学习，所以字典的收敛速度和重构信号误差率在有限范围内得不到提升。围绕这个问题，本文所作的工作包含以下内容:1、将稀疏编码与块稀疏结合进而给出了基于块稀疏的稀疏编码的一般步骤，结合块稀疏的特性对字典块结构划分与更新，为基于块稀疏的字典学习奠定基础。2、提出一种对称网络结构的字典学习流程框架，该字典学习方法模拟神经网络结构方式来描述学习流程。不同于一次性用全部训练数据进行训练的方法，该学习流程每处理一组信号，字典进行一次更新，实现了对字典的分步更新，而且清晰地展示了信号的分解与重构过程。3、本文利用稀疏子空间聚类的方法将字典中具有相同稀疏表达形式的原子归类为一组，形成具有块结构的字典，然后对训练信号稀疏编码，分别结合递归最小二乘法与网络结构字典学习算法进行信号重构去噪对比实验，并作出收敛性分析。实验结果表明，字典学习算法与块稀疏结合使得在相同迭代次数下的优化收敛速度较快，而且对信号的重构误差率优于传统方法。此外，本文对基于块稀疏的非负分解作出相关阐述，给出了块稀疏非负分解字典学习的步骤。