随着信息技术的发展,图像作为信息传递中最为直观、形象、清晰的方式,已经成为人类获取信息最为重要的途径。面对当今海量的图像数据,人们需要对其进行检索与分类,但工作量巨大,不能再像过去一样进行人工处理,因此如何利用机器来帮助人们对图像进行分类处理亟待解决。对图像信号进行表示,是对图像信号进行处理的基础,图像稀疏表示是其中应用最广泛的表示方法,已经在图像处理领域的各个方面取得了丰硕的成果,表现出了极强的生命力。基于上述背景,本文对图像稀疏表示、低秩表示和字典学习理论及其在图像分类中的应用进行了深入研究,其目的是通过寻求具有类别区分能力的图像稀疏表示模型进一步提高图像分类的精度。论文的主要工作包括以下方面:1、提出了基于低秩监督的稀疏图像分类方法。将图像稀疏表示应用到分类模型中,对原图像进行具有一定类别特征的稀疏编码。在稀疏编码模型中加入了具有低秩特性的监督矩阵,利用样本间的相关性进行样本自监督约束,使编码特征更加显著,增强其判别能力。同时,还提出了一种有数值优化算法,用于求解模型中的目标函数并通过对比实验对所提出的算法进行了验证和分析。2、提出了一种基于低秩共享字典学习的图像分类方法。使用字典表示信号的方法具有很多优点,该方法根据图像稀疏表示理论,对于不同图像数据集学习得到与之对应的表示字典。在此基础上,建立了包含共享字典与特征字典的联合(collaborative)字典学习模型,其目的是剔除数据中的共性特征,提高字典的类间鉴别能力。该模型运用低秩表示的思想,对共享字典加以限制,促使特征字典中的原子更加体现相互独立的类别特征,提高图像的分类准确率。