图像分类作为计算机视觉中的一个重要研究课题,在很多领域得到广泛应用。基于稀疏表示和协同表示的分类算法提出后,在人脸识别中取得了优越的性能。但是,这两种算法都是直接利用所有类别的训练样本以相同的贡献进行图像表示,没有考虑图像的特定类特征,也没有对图像表示进行约束,使得图像表示的判别性不强。针对以上传统方法中存在的问题,本文从图像的特定类表示和全局表示两个角度着手,对传统分类算法进行改进并应用于图像分类中。论文主要工作如下:1.提出了基于混合协同表示的遥感图像分类算法。在遥感图像特征表示中,同时考虑全局表示和特定类表示,使每一类的训练样本在表示测试图像的过程中贡献不同,此外,将混合协同表示分类算法扩展到再生核希尔伯特空间。在遥感图像数据库上的大量实验结果表明,基于混合协同表示的分类算法明显提高了遥感图像的分类效果。2.提出了基于弹性网络表示的分类算法。基于测试样本独属于某一特定类别的事实,在全局稀疏表示中嵌入特定类协同表示,尽可能保证与测试样本属于同一类的所有训练样本参与表示,而其他类别的训练样本则尽量少的参与,并将算法扩展到任意核空间,在人脸识别库、手写数字识别库和遥感图像数据库上的实验结果证明了算法的优越性。3.提出了基于类中心聚集的字典学习算法。首先,在稀疏表示分类算法中嵌入字典学习,减小图像表示的重构误差,然后加入图结构嵌入项,对图像的全局表示进行约束,使同一类样本的表示向中心聚集,增强各个类别表示之间的差异性。实验结果表明,该分类算法在手写数字识别、人脸识别和遥感图像分类中实现了更好的性能。4.提出了基于字典学习的混合协同表示分类算法。同时考虑特定类表示和全局表示,在混合协同表示中嵌入字典学习,为训练样本学习字典,减小重构误差,获得图像更精确的表示,在人脸识别和手写数字识别中的实验结果证明了算法的优越分类性能。