模式识别又称模式分类,其作为信息科学和人工智能的重要组成部分,随着科技的飞速发展,在过去几十年里,取得了突飞猛进的发展。最近几年,基于表示的分类在模式识别和机器学习领域吸引大量研究者的兴趣。协作表示作为一种典型的基于表示的分类方法,具有封闭形式的快速解,对分类非常简单,具有高效性和健壮性。为了进一步提高协作表示的识别准确率和分类性能,本文主要做了如下三个方面的工作:（1）为了探究不同编码残差的协作表示（Collaborative Representation-based Classification,CRC）和概率协作表示（Probabilistic Collaborative Representation-based Classification,PCRC）的分类性能以及充分利用局部信息来增强表示系数的判别性,提出了几种基于残差和权重的CRC和PCRC拓展方法。在基于残差的拓展中,使用l₂范数和₁l范数编码残差共同约束表示保真度。在基于权重的拓展中,将数据的局部信息作为权重约束不同编码残差的CRC和PCRC的表示系数。实验结果表明所提的方法具有优异的分类性能。（2）受启发于PCRC和由粗到细表示的思想,为了进一步改善PCRC的分类性能,设计了两阶段概率协作表示分类（Two-phase Probabilistic Collaborative Representation-based Classification,TPCRC）。其核心思想是在第一阶段用PCRC粗略的挑选一些与测试样本较为相似的训练样本所在的类,第二阶段则通过PCRC使用已选中类的训练样本进一步精细地表示和分类每一个测试样本。为了充分利用局部信息,在第二阶段将测试样本与所有训练样本之间局部距离相似性作为权重,约束PCRC的表示系数,从而提出了两阶段加权概率协作表示。（3）在大多数CRC及其变体中,测试样本都是通过所有类的训练样本线性重构而成,因此与测试样本同类的训练样本在判别竞争表示和分类测试样本时,可能不具有主导作用。而且,当不同类的训练样本特别相似时,更容易产生分类错误。针对此类问题,设计了可鉴别表示分类（Discriminative Collaborative Representation-based Classification,DCRC）来增强模式分类的判别性。所提方法不仅能够降低各个类之间的相关性,而且能够增强所有类别的重构表示与测试样本具体类别的重构表示之间的相似性,从而显著增强类别之间的可鉴别性。在人脸数据集上的实验表明了DCRC的有效性和健壮性。