近年来,稀疏表示已成为信号处理、计算机视觉和模式识别等领域里的一个新的研究热点,它不仅具有良好的理论发展,也具有十分优异的实际应用价值。特别是在模式识别领域,稀疏表示不仅可以作为一种有效的图像分类器,而且还可以应用于数据的维数约简中,实现特征的潜在选择。本文在稀疏表示的理论研究基础上,针对图像识别特别是生物特征图像识别问题,对基于稀疏表示的分类器设计、特征提取、以及低分辨率图像的特征匹配问题进行了研究与讨论,主要工作与创新点可以分为以下四个方面:(1)针对稀疏表示分类器的多峰值系数可能产生误分类的缺陷,提出了基于群智能优化和块字典的自适应稀疏表示分类器(Adaptive Sparse Representation based Classifier,ASRC)。为减少误判,在优化目标中添加了稀疏系数强调项,使得求解过程中系数更多的集中在其同类训练样本对应的位置上,并通过人工蜂群算法智能求解该非凸模型。该工作的创新之处在于:将系数强调项直接放入目标函数中,在系数的优化过程中自动产生更加突出的峰值,削弱干扰峰值;采用了自适应人工蜂群算法和字典分块策略,提高了寻优计算效率。(2)提出了一种具有分组约束能力的协同表示分类器模型(Group Collaborative Representation based Classifier,GCRC),来进行手指关节褶皱图像的识别应用。该模型具有快速求解的优势,虽然系数不够稀疏,但是具有良好的重构性,通过引入组正则化系数,使正则项对系数的惩罚力度在每类上均有不同。在指关节纹上的识别实验表明,分组协同表示分类器是一个鉴别性高且效率高的分类器。该工作的创新之处在于:将不同类别的样本给予不同的正则化惩罚,使协同表示系数具有更加明显的分组结构。(3)将稀疏约束用于张量数据的维数约减算法中,提出一种张量对象下的局部保留稀疏投影(Tensor Locally Preserving Sparse Projection,TLPSP)。将图像看作二阶张量,在局部流形保留不变的准则下,进行张量的稀疏投影求解。从理论上提出了一种简便的等价回归形式,避免了字典规模过大的问题,简化模型。在有监督识别和无监督聚类应用中TLPSP均取得良好表现。该工作的创新之处在于:提出了一种张量模式下的等价回归定理,并给出了详细推导证明,不同于向量模式,提出的新的回归形式具有更小的回归矩阵的规模。虽然该定理是为了简化张量对象的回归形式而提出的,但却也适用一维向量对象情况,是一种简洁通用的回归模型。(4)将L2,1范数约束引入公共空间耦合投影算法中,提出一种L2,1范数正则化的多维尺度分析模型(L2,1-norm Regulared Multidimensional Scaling,MDSL21),实现具有特征选择能力的高-低分辨率图像的特征匹配。利用图嵌入的思想,寻找公共特征响应,再将L2,1范数约束引入投影矩阵的目标函数中,可以得到具有特征选择能力的稀疏投影,使得匹配后的低分辨率识别表现更佳。该工作的创新之处在于:将稀疏投影的思想从单一子空间学习推广到耦合子空间学习,该项工作可以启发建立耦合稀疏投影统一框架,可以提供异质人脸识别算法的稀疏性扩展思路。