图像的过完备稀疏表示能够用尽可能简洁的方式表示图像，仅用表示系数中少数几个非零值就可以揭示图像中的内在结构和本质属性。研究表明，稀疏表示模型能够有效匹配人脑初级视觉皮层中神经元的稀疏编码机制。本文以稀疏编码模型为理论基础，从模拟大脑信息处理的方式出发，针对基于多字典学习的图像稀疏表示展开研究，取得的主要研究成果包括：首先，受V1区中简单细胞感受野仅对某一特定方向的条状刺激具有最大响应的启发，提出了基于联合子空间的分层字典学习算法。先将整个图像空间分成不同的子空间，然后在每个子空间内构建与正交匹配追踪算法迭代过程中各层面几何结构相适应的分层字典。其次，针对目前稀疏表示字典缺乏V2区神经元复杂感受野的基本特性这一问题，以视觉感知系统的分层处理机制为依据，提出了基于原子和分子联合字典的稀疏表示方法。根据图像的几何结构特性，构建富含初级视觉特征的原子空间和富含中级视觉特征的分子空间，在对应的子空间内分别学习最优的原子字典和分子字典。最后，针对图像在信息丢失严重的情况下，基于稀疏编码的方案不能有效恢复原始信号的缺点，提出了基于稀疏编码和流形投影相结合的稀疏表示方法。该方法假设处于同一低维流形上的图像块具有相似的语义结构。通过在稀疏编码的框架下融合流形投影，促使恢复信号更接近原始信号所嵌在的流形空间。实验结果表明在原始信息丢失严重时算法的有效性。