近些年,字典学习方法在特征学习、图像分类、图像去噪等领域中都表现出了良好的性能。然而,基于字典学习的图像分类算法需基于训练数据和测试数据有相同特征空间以及相同特征分布的假设。但在实际图像分类应用中,不同的拍照背景,不同的拍照条件都会使得特征分布产生变化。传统的字典学习算法不再适用,在此基础上引入迁移学习可有效解决此问题。迁移学习从相关域中学习样本的本质特征并将其迁移用以目标任务中,进而解决分布不同的分类问题。然而现有的迁移学习忽略了跨域中样本的类间差异性、类内相似性和线性不可分。针对这些问题,本文分别提出了判别Fisher嵌入字典迁移学习方法（Discriminative Fisher Embedding Dictionary Transfer Learning,DFEDTL）以及面向图像分类的核Fisher字典迁移学习方法（Kernel Fisher Dictionary Transfer Learning,KFDTL）。对于忽略跨域中样本的类间差异性和类内相似性问题,提出的方法均结合了源域信息和部分目标域信息,构造了判别Fisher原子嵌入模型、系数嵌入模型,使在迁移学习过程中既保留了训练样本的类间差异性、类内相似性,也有效增强了学习字典的判别能力。为最小化源域与目标域之间的分布差异,提高跨域分类性能,本文利用原子和profile（编码稀疏矩阵的行向量）构造了自适应最大均值差异项（Adaptive Maximum Mean Difference,AMMD）。对于线性不可分的问题,将线性不可分数据通过非线性映射将其变换到高维空间,使其在高维空间中线性可分。本文通过对字典学习和迁移学习进行研究,提出了分类效果更好的模型,解决了源域与目标域分布不同的分类问题以及数据线性不可分问题。本文的主要创新点如下:（1）利用Fisher准则来构造源域样本和目标域样本之间的判别Fisher原子嵌入模型、系数嵌入模型,使得来自同一类的样本具有相似的编码系数。（2）将字典学习与迁移学习结合,既可以避免图像间变化差异带来的分类准确率低的问题,又可以减少数据标注任务。（3）利用字典原子和profile之间的关系构造了自适应最大均值差异（AMMD）项,减小源域与目标域之间的分布差异。（4）通过核方法将低维空间中无法线性分割的数据集通过非线性核映射到高维空间,使数据样本在高维空间中线性可分,有效处理了高维复杂非线性关系下图像的分类问题。