图像识别技术有着很广泛的应用空间。近些年来基于稀疏表示的识别方法正成为图像识别领域的热点。本文研究了国内外的已有算法,提出了几种改进的稀疏表达识别算法,并探讨了算法应用于红外图像识别的可行性。本文首先学习了经典的稀疏表示方法并研究了常规的字典学习方法,在此基础上,仿真研究了基于字典学习的稀疏表示人脸识别方法。使用字典学习算法(K-SVD),通过实验得到更好的参数,采用这种字典学习算法能通过缩小字典达到在保持识别率的基础上减少计算复杂度的效果。研究了基于类别相关近邻子空间的最大似然稀疏表示识别算法。提出了一种改进参数的自适应近邻分类原则。通过这种自适应的方法从各类别训练样本中选择自适应数量的局部近邻构成新的字典,组成新的字典,然后基于最大似然表示模型实现图像识别。通过仿真实验验证,这种算法能有效的提高识别速度,还具有一定的鲁棒性,算法行之有效。最后,本文分析了原子稀疏与结构稀疏两种准则的特点,提出了一种原子稀疏与结构稀疏结合的方法,主要研究了并行和串行两种方式。将并行加权计算的算法改进为少量样本自适应的求解权值得到最优权值,串行结合的计算方式是先进行原子稀疏准则再进行结构稀疏准则的方法。通过人脸数据库和少量的红外数据进行验证,验证了算法的有效性,并且讲这种算法推广到了红外数据。