图像识别是模式识别以及计算机视觉众多研究领域的一个重要方向,图像识别包含人脸识别、目标识别和动作识别等不同的识别任务。图像识别技术为生活中各个领域的实时应用都起到了非常关键的作用,如在军事上、公安刑侦中进行各种侦察和警戒系统,生活中用于家庭服务的智能家用电器。图像识别技术能够应用到各种场景,但受图像质量及场景复杂性的影响,目前图像识别算法主要是针对特定的场景提升图像识别的精确度。另外,图像识别的准确率还受预处理、特征提取、图像增广、分类算法的影响。本文探讨的图像识别算法的主要内容是基于子空间重构的稀疏编码和深度稀疏编码实现的算法。文章涉及的探究细节和新创的思想包括下面两个方向:第一,处理关于视频序列的图像识别问题,基于分类的稀疏编码能够获得目标的稀疏解,使得到的分类结果更加鲁棒。本文结合了双线性回归方法和稀疏编码方法的优点,尝试找到所有类别的“近似解子空间”,减少相似类别的干扰性,从而改进为更适合不同分类任务的图像检索方法。本文实验所使用的是在图像分类中应用比较广泛的三个数据集Caltech101,You Tobe,LFW,通过实验证实了本文对子空间重构提出的算法是可行的。第二,手工提取图像特征的方法是传统图像识别算法在提取图像特征时常用的方法,手工提取图像的方法在特定条件下效果还不错。但是当研究的图像对象发生改变时,手工提取图像特征的方法不能灵活的提取各种环境下图像的有效特征。目前,很受欢迎的提取图像特征的方法是利用神经网络,在现实应用中,用神经网络提取图像特征的相关算法也是最广泛的。本文设计了一个基于深度稀疏编码的图像分类识别算法。此算法采用的主框架是稀疏编码连接神经网络Encoder和Decoder结构,本论文还设计了一个辅助分类算法。分类辅助算法的目的是引入子空间的思想,其作用是在训练阶段可以引导神经网络提取相同类别图像的特征更加相似,以此提升图像识别的准确性。这个算法在USPS和UMD两个数据集上面做了实验对比,取得了不错的识别效果。