得益于人工智能、计算机技术、机器视觉等多种因素的发展,图像处理技术已经成为研究的热点之一,受到国内外学者的广泛关注。图像处理主要包括图像检测、图像预处理、图像提取和图像识别和分类等部分,其中图像识别和分类是图像处理中的关键一步。深度学习在图像识别和分类中的表现优异,但其需要海量的样本来训练模型。然而,在某些特定的条件下无法获得充足的样本,此外,获取样本和赋予标签成本巨大。例如,无法获得恐怖分子的海量图像,遥感图像的高成本和高难度很难采集到大量的样本。线性回归分类是一种高效的分类方法,属于最近邻子空间分类,在人脸图像识别和遥感图像场景分类中广泛应用。该方法通常是直接处理原始高维图像,而原始数据中包含大量噪声、冗余信息、同一类别中存在几个独立的簇,这三种情况会降低线性回归分类的效果。为此,本论文基于主成分分析和IGG权函数、局部Fisher判别分析、局部思想,利用改进的线性回归分类方法对图像进行识别和分类,主要研究内容如下:（1）针对下采样降维效果较差和线性回归分类鲁棒性较弱的问题,提出一种基于主成分分析和IGG权函数的鲁棒线性回归分类方法。利用主成分分析对高维图像向量进行降维,然后利用基于IGG权函数的最小二乘方法对线性回归分类中的线性回归系数进行估算。实验结果表明,与线性回归分类和基于IGG权函数的鲁棒线性回归分类相比,不管是否加入噪声,该方法的识别和分类效果更好。（2）针对主成分分析降维效果有待提高和求解协同表示分类中的系数出现伪逆的问题,提出一种基于局部Fisher判别分析的正则化最小二乘协同表示分类方法。利用局部Fisher判别分析对高维图像进行降维,通过正则化最小二乘方法对协同表示分类中的参数进行估计。实验结果表明,与线性回归分类、基于主成分分析的线性回归分类、局部Fisher判别分析、正则化最小二乘协同表示分类等四种方法相比,该方法的识别率和分类精度最高。（3）当某一类别中存在几个独立的簇时,线性判别回归分类的识别率会受到影响,为此提出一种线性局部判别回归分类方法。利用主成分分析对高维图像向量进行降维,然后利用线性局部判别回归分类对降维图像进行分类。实验结果表明,与其它六种方法相比,不管是人脸图像、物体图像还是遥感图像,该方法的识别和分类效果均最优。