最近这几年稀疏编码(Sparse Coding)在很多领域取得了巨大的成功，包括数据挖掘、机器学习和计算机视觉等。稀疏编码提供了一种学习出一组超完备基函数的无监督算法，从而能够通过线性组合基函数的一小部分子集来重构原有的信号。当前大多数稀疏编码算法的一个缺点是需要进行一些迭代最小化计算来为测试点推断出稀疏表示(Sparse Representation)，这说明这些算法很难进行新样本点的扩展。通过额外训练一个把输入非线性地映射为稀疏表示的回归变量，可预测稀疏分解(Predictive Sparse Decomposition)可以很自然地应用于新样本点的扩展。因此可预测稀疏分解成为了非常流行的一种稀疏编码算法。然而，当训练数据太少而不足以捕获样本中的变化时，可预测稀疏分解可能在实际的应用中无法取得令人满意的效果。这篇论文提出了一个新的模型——降噪可预测稀疏分解(Denoising Predictive Sparse Decomposition)算法，来获得更鲁棒的稀疏编码。针对真实的图像物体识别任务的实验结果表明，降噪可预测稀疏分解算法在实际应用中的效果可以大大超越可预测稀疏分解算法。此外，本文还提出了深度降噪可预测稀疏分解算法以及深度多路径降噪可预测稀疏分解算法，验证了降噪可预测稀疏分解算法在深度模型中能大大提升识别效果。