字典学习通过优化得到一个超完备D,通过D中的高度相关的原子重构当前数据,完成稀疏表示,可用于图像描述和分类。由于字典学习在图像表示和识别方面的良好性能,近年来得到了研究者们的广泛关注。但现有的面向分类的判别字典学习方法仍有如下不足:1)学习字典和稀疏编码的过程不是自适应的,不能明确建立字典内部原子和稀疏编码间的联系;2)没有同时考虑潜在显著特征的提取问题,即忽略了提取数据中的可用于分类的鉴别特征,导致数据分类精度不高;3)大多为浅字典学习机制,即不能和深度神经网络有效集成完成端对端的学习,导致对数据特征的表示不够充分,会直接影响数据分类精度。针对上述不足,本文将提出三种创新解决策略和方案,并在真实图像数据集上验证了新算法的有效性。本文的主要工作包括:(1)为了在字典学习与稀疏编码的过程中获取同类编码数据之间的近邻关系,学习到自适应的字典和稀疏表示,提出基于鲁棒自适应字典对学习的局部判别表示算法。本框架将局部自适应表示、字典对鲁棒学习与判别稀疏编码集成到一个统一的学习框架,并借助L2,1-范数在保证编码系数的稀疏性的同时,提升算法的优化效率和对噪音等的鲁棒性。此外,为了进一步强化模型的分类能力,提出利用判别项约束字典对和稀疏编码,使得到的编码系数尽可能地保持类内紧凑、类间分离。(2)提出基于双非相干约束的结构化潜在字典对学习算法,可在字典学习过程中同时得到可用于鉴别数据的潜在判别特征,提升数据表示和判别能力。该模型将基于双非相干约束的判别学习、显著特征提取和结构化字典对学习无缝地集成到统一的重构框架,即新算法可进行数据显著特征提取、稀疏表示和分类。此外,利用结构化双非相干约束,可确保得到的显著特征和稀疏编码是类内紧凑和类间疏远的。(3)为了解决浅层字典学习方法的表示和学习能力不够理想的问题,以及设计端到端的浅层字典学习和深度学习无缝对接的难题,提出基于神经网络的深度卷积字典对学习网络。新框架将卷积神经网络和字典对学习进行无缝对接,得到一个端到端的深度字典学习框架,能够深层次地学习得到数据中的层次特征和深度信息。此外,对网络中的参数进行优化时,通过随机梯度下降类算法加快其优化速度。(4)通过大量仿真实验,验证了所提出的新算法在图像特征表示、图像分类与识别等领域的有效性。