在计算机视觉领域中,图像表示对处理和理解图像至关重要。稀疏编码作为捕捉视觉图像高层语义的强有力工具,仅需少量激活系数即可对图像进行表示,体现出良好的空间局部性和去冗余性。传统的稀疏编码图像分类方法在面对训练和测试样本不同分布时,从训练样本学习到的字典无法有效对测试样本编码,从而造成编码特征差异,严重影响分类性能。同时,现有的稀疏编码迁移学习算法也存在对领域间分布差异的欠适配问题。针对上述问题,本文从稀疏编码模型中字典差异和编码差异两个角度出发,结合不同领域间特征的相关性,分别采用字典对齐与联合分布匹配思想构建了基于稀疏编码的特征迁移分类模型。本文的主要研究内容为:第一,针对字典差异问题,提出基于字典域适应稀疏编码迁移学习(TSCDDA)算法。首先,在源域和目标域分别构建稀疏编码模型;其次,将字典对齐机制引入稀疏编码模型,促使源域向目标域字典靠近,从而获得域适应字典。同时采用正则化项替代字典约束项转换为无约束优化问题,更易于获取字典优化的解析解;然后,通过字典映射关系,实现源域和目标域样本在共享空间中编码特征分布差异最小化,提高编码特征在不同领域间的可迁移性;最后,将提出的特征迁移算法与支持向量机(SVM)相结合,构建稀疏特征迁移分类模型。第二,针对欠适配问题,提出基于联合分布匹配与图正则化稀疏编码迁移学习(TSC-JDAG)算法。首先,通过构图挖掘源域和目标域样本中潜在的几何结构特性;其次,将联合分布匹配项引入稀疏编码模型,进而同时缩小源域和目标域样本边缘和条件分布差异以解决欠适配问题。另外,在模型中采用权重因子调整边缘和条件分布对学习目标任务的贡献度;然后,通过在模型中引入图正则化项,将几何结构信息嵌入编码特征中,进一步减少领域间分布差异;最后,将提出的特征迁移算法与SVM相结合,构建稀疏特征迁移分类模型。最后,通过在多个数据集上构建跨域图像分类实验进行验证。与对比算法相比,所提算法能够有效解决跨域稀疏编码图像分类问题,获得更好的分类精度。