近年来,图像分类技术发展迅猛,其作为人工智能和计算机视觉领域的核心内容,是国内外学者研究的热点课题。针对不同的分类对象,国内外学者已经提出了各种各样的分类方法,如以线性判别分析为代表的子空间分析方法、以稀疏表示分类为代表的基于表示的分类方法和基于卷积神经网络的深度学习方法等。其中,稀疏表示方法适用于具有图像损坏、遮挡、光照变化等噪声干扰的分类任务,而且对计算资源要求较低,已从最初应用于图像识别中最常见的人脸识别,再逐步扩展到其他多种图像识别任务中,且常常在样本少、资源受限的场合(如便携式设备)取得较好的分类效果。以人脸识别为背景,本文首先介绍了多种方法的特点及其应用场景,并重点分析了不同的基于表示的分类方法之间的关系,比较了它们的优劣。其中,我们对经典的两步稀疏表示法(Two-Phase Test Sample Sparse Representation,TPTSR)的基本原理及其取得较高识别率的原因进行了阐述,并分析出了TPTSR的局限性。选择具有竞争力的训练样本对提高基于表示的分类方法识别率有着重要的意义,因此本文提出了基于TPTSR的两种改进的近邻样本选择策略。具体地说,针对原TPTSR的稳定性受参数(在第一步选择近邻样本时的参数)取值的影响比较大的问题,本文提出了基于样本剪枝的近邻样本选择策略(Neighbor Selection by Pruning Samples,NSS)。其次,为了剔除那些表示残差很小的干扰样本,本文还从类相似性的角度,提出了基于类别剪枝的近邻样本选择策略(Neighbor Selection by Pruning Classes,NSC)。最后,结合NSS和NSC的优点,本文将这两种近邻样本选择策略融合,形成了一个改进的分类框架,即基于动态剪枝的协同稀疏表示分类方法(Dynamic Pruning Collaborative Sparse Classification,DPCSC)。为验证上述提出的基于样本剪枝和类别剪枝的近邻样本选择策略,以及融合方法的效果,本文选择了四种主流的基于表示的分类方法在ORL、FERET、Extended Yale B、CMU-PIE和AR人脸数据集进行实验对比分析。实验结果表明,本文提出的分类框架相较于其他基于表示的分类方法,不仅可以在人脸受到遮挡和光照变化的影响下达到更高的识别率,同时具有较强的鲁棒性。