二十一世纪给我们带来了计算机技术和互联网技术的迅猛发展,图像分类技术作为模式识别和计算机视觉的基础而又重要的工作引起了研究者们的广泛关注。这其中最为引人注目的问题有人脸识别、目标检测、场景分类等等。近年来,科研工作者们提出了重构性表示算法来增强人脸识别技术中存在的光照、表情的鲁棒性,用字典学习等方法来提高目标检测和场景分类精度。容易被忽视的是,作为不同类别对象的图像,类间和类内涵盖的信息更丰富。本文着重于将类间和类内这一全局特征应用于重构性表示算法和字典学习算法在图像的分类中。文章分析了重构性表示图像分类算法的主要技术,并做以下几点安排:首先,文章在第一章中介绍了图像分类技术的背景,它的理论意义和现实价值;并且,分析了图像分类技术的研究现状,总结出目前技术中存在的问题和挑战;综合介绍本文的文章安排。接着,在分析了重构性表示的参数重要性之后,文章在第二章中提出基于l2正则化的判别协同表示算法。该算法借助Tikhonov正则化约束重构系数,并添加l2正则化约束项进行参数类内和类间判别性的增强,并将两个正则化约束项引入协同表示中,在不影响时间复杂度的情况下,提升协同表示的分类质量。之后,文章在第三章中提出了判别系数的协同表示分类算法。该算法是在Fisher判别字典学习的过程中添加对重构系数信息的提取,并将信息应用在协同表示算法中进行图像分类任务。然后,第四章中文章分析了稀疏字典学习算法,将协同表示思想应用于字典学习中,提出双字典学习,并将二三章中研究有效的Fisher判别引入其中。算法因为协同表示思想的应用,在学习时间上大大改善,并用双字典中的参数字典来进行最终分类。文章第五章对提出的算法和研究课题进行了总结和展望。