随着信息采集技术和传感器技术的迅速发展,实际获取的图像数据的维数越来越高,如何有效地描述图像,方便后续处理,如图像分析和识别,已成为图像处理、模式识别、机器学习等领域急需要解决的问题之一。在已有的众多方法中,稀疏描述以其鲁棒性好、泛化能力和抗干扰能力强等优势,已成为目前研究的热点；缺点是稀疏表示方法需要的训练图像过多,造成计算量过大,且忽略了图像内在几何结构,导致性能不是足够的好。针对此问题,论文从稀疏表示入手,深入研究了基于字典学习的图像稀疏表示和判别流形学习的稀疏编码。论文的主要研究内容和创新点如下：1.概述了压缩传感的理论框架以及其各个组成部分的原理。介绍了常用稀疏表示的方法、测量矩阵构造方法以及重建算法。2.提出了一种基于字典学习的稀疏表示图像识别方法。该方法使用K-SVD算法学习字典,有效地减少了字典库中的原子个数,获得了描述能力比较好的字典库；然后通过重构图像,根据图像残余差进行分类。实验结果表明：当字典大小相同时,所提方法明显提高了图像分类性能；当识别率相同或比较接近时,所提方法需要的原子个数远小于经典稀疏表述方法所需的原子个数。3.针对稀疏编码忽略了图像空间的几何结构,导致性能不是足够的好,提出了融合判别流形学习的稀疏编码方法(Discriminat Graph Sparse Coding, DGSC)。DGSC利用两个邻接图来分别刻画图像空间的内在几何结构和判别几何结构,然后将其和稀疏描述相结合,给出字典学习和求解稀疏系数的有效求解算法。最后根据支持向量机(Support Vector Machine, SVM)进行分类,取得了不错的效果。实验结果证实了所提方法的有效性。