随着机器学习、深度学习技术的进一步发展,基于表示学习的分类算法性能有了很明显的提升,但基于表示关系的算法大多仅通过原始样本的直接关系进行建模,而如何在子空间或表示空间也能够保持原始数据的相似性关系和空间结构,是提升表示学习模型性能的关键。本文立足于表示学习中的子空间学习、字典学习和深度字典学习,研究具有更高识别精度的表示算法。所取得的研究成果如下:（1）针对子空间学习算法或未能考虑样本的类标信息,或只利用了类内局部关系构图,忽略了不同类样本之间的表示关系及其在构图中的作用这两点不足,提出了一种基于核保持嵌入的子空间学习方法（KESL）。KESL将核函数引入样本的自表示学习中,利用核保持关系学习到的相似性表示分别构建类内图和类间图,增强了对类与类之间不相似性的利用,使得在投影子空间中,同类样本的核保持关系得到加强,不同类样本间的核保持关系被进一步抑制,通过核保持矩阵和图嵌入的迭代优化得到最优表示下的子空间投影。继而提出基于空谱特征网络与KESL优化的高光谱图像分类方法（SSN-KESL）,先得到空间-光谱融合数据然后再利用KESL进行特征嵌入。实验证明所提方法在分类任务中的性能优于主流的子空间学习算法。（2）针对单一特征表示的局限性和视角差异性问题,提出了基于核保持与块对角化的多视角字典学习方法（KBR-MVDL）。该方法首先利用解析型字典的得到每种视角数据的表示系数,引入块对角化结构约束让每个样本尽量由其同类样本表示。基于数据来自不同视角但标签共享这一事实,将来自不同视角的表示系数串联后训练分类器。考虑到局部信息的重要性,提出了基于核保持嵌入与公共空间表示的多视角字典学习方法（KESSR-MVDL）。该算法给每个视角学习一个权重以区分不同视角的贡献度,利用核保持关系给每一个视角都学习一个类内表示和一个类间表示,学习一个公共表示空间以挖掘视角互补信息,利用图嵌入框架使样本在原始空间和子空间具有同样的邻接关系。在多个数据集上的实验证实了所提算法能够有效提升多视角数据分类精度。（3）针对深度字典学习方法得到的表示系数判别性不足的缺陷,提出了基于核保持和判别约束的的深度字典对学习方法（KDC-DDPL）。引入字典对学习模型使得表示系数中含有更多数据信息,一方面,通过对合成型字典进行费舍尔判别约束和低秩约束增强其判别性和鲁棒性,另一方面,用判别转换矩阵对表示系数约束,增大不同类别样本的差异性。多个数据集上的实验结果表明,算法在提升分类性能的同时,有效挖掘了数据的判别信息。