科学技术的不断发展推动着一个又一个信息时代的到来，如今的智能时代已经和人们的生活息息相关。图像作为信息的载体，在智能时代发挥着重要的作用。图像识别作为模式识别的重要应用之一，是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。通信手机终端或者安防监控终端所需要的人脸识别以及地理学中的遥感图像的分类技术等均属于模式识别的范畴。本文主要围绕字典及稀疏表示相关理论方法对模式识别相关问题进行探讨和研究，旨在探索稀疏概念在模式识别问题中的理论背景和具体应用，并进行稀疏表示框架下的改进方案和应用，总结如下：1.提出了基于能量贡献字典学习的分类方法。该字典学习模型根据字典的不同子字典对训练样本对具有悬殊的能量贡献这一事实对特征提取和分类器设计两个关键因素进行约束和求解，学习出的字典可使得表示出来的测试样本在分类器下得到更好的分类结果。实验表明，该字典学习模型对人脸图像、纹理图像等具有良好的识别效果，同时针对小样本问题具有更好的处理能力。2.提出了基于局部协同表示的高光谱图像分类方法。本方法基于两个事实进行，其一是高光谱图像邻域内的样本共属同一地物的特点，其二是训练样本的选取是基于字典的方法中最为重要的环节。局部协同表示通过对测试样本的协同表示选择对分类有利的训练样本进行二次协同表示。实验表明，该方法不仅能够有效地进行高光谱图像的分类任务，且具有很强的可操作性和良好的分类结果。3.提出了基于稀疏逼近的SAR图像变化检测方法。图像的变化检测实际是对同一地理坐标的像素点不同时相的信息进行识别，判断该像素点属于变化或非变化的类别。本方法假设相对于图像中的全部像素点，变化的像素点数目是稀疏的，而非变化的像素点具有较强的线性相关性。实验表明。通过低秩和稀疏矩阵分解，能够得到不同时相SAR图像的差值图，进而获得良好的检测结果。