稀疏表示和联合稀疏表示已成为模式识别领域中的主流技术,常被用来进行图像分类、恢复、去噪等诸多应用。传统的稀疏表示和联合稀疏表示通过一个过完备字典线性表示输入信号,稀疏编码的性能主要依靠过完备字典的重构性和判别性来确定,所以构造一个判别性字典对于稀疏表示和联合稀疏表示而言至关重要。根据高光谱图像和人脸图像的特点,本文提出以下两种改进的分类算法。1、在高光谱图像分类领域联合稀疏表示具有高效快捷的优势。然而每个像素的局部邻域一旦包含来自不同类别的样本,联合稀疏表示将受邻域内字典原子与测试样本之间同谱异类的影响,分类性能会严重降低。当前这个问题的研究为人们所关注。根据高光谱图像的特点,提出一种融合分层深度网络的联合稀疏表示算法。通过在光谱和空间特征学习之间交替来提取判别性光谱信息和空间信息,构建一个兼具空谱特征的学习字典并用于联合稀疏表示。在分类过程中将学习字典与测试样本间的相关系数与分类误差融合在一起进行决策。为验证融合分层深度网络的联合稀疏表示算法的有效性,本文在两个传统的高光谱数据集上进行仿真模拟实验,与目前较为流行和传统的算法相比具有良好的效果。2、在人脸图像分类领域极端学习机和判别性字典学习算法具有高效和准确的优势。然而这两种方法也具有各自的缺点,已知极端学习机对噪声的鲁棒性较差,判别性字典学习算法在分类过程中时间消耗较大。为统一这种互补性,本文提出一种融合极端学习机的判别性分析字典学习模型。该模型利用迭代优化算法学习最优的判别性分析字典和极端学习机分类器。为验证融合极端学习机的判别性分析字典学习算法的有效性,本文在两个传统的人脸数据集上进行仿真模拟实验,与目前较为流行的字典学习算法和极端学习机相比具有良好的效果。