图像识别作为信息科学和信号处理的重要组成部分，广泛用于信息安全、军事、生活等领域。近来稀疏表示成功用于图像识别并成为研究热点，本文在国内外相关研究成果基础上探讨了一些新的基于稀疏表示的图像识别思路。首先，考虑到数据结构信息对识别具有支撑作用，因此利用结构稀疏表示进行人脸识别。针对训练图像不能涵盖测试条件下人脸变化的问题，提出基于扩展差分模板的联合双稀疏表示识别算法。它通过构造扩展差分模板来表示训练样本与测试样本间可能存在的差异，由于任何类的类内差异可表示为其他类别类内差异图像的原子线性组合，识别问题被转换为在训练样本空间和差分模板空间寻找测试样本的结构稀疏与原子稀疏的联合双稀疏表示，进而计算测试样本所属类别。其次，针对阴影、反光及遮挡等原因破坏图像低秩结构这一问题，提出基于低秩子空间恢复的联合稀疏表示识别算法。首先将每类训练样本构成的矩阵分解为一个低秩矩阵和一个稀疏误差矩阵，分别代表该类的“干净”图像和破坏图像低秩结构的误差项；然后利用分解出的矩阵构造新字典，将测试样本表示为这两个矩阵的联合稀疏线性组合，利用这两部分的稀疏逼近计算残差，进行分类判别。最后，针对子模块稀疏表示判别准则和不同子模块对分类结果支撑作用不同两个问题，提出基于Borda投票加权的子模块稀疏表示分类算法。首先，在子模块分类时改变判别准则，利用Borda计数方式，依据每类残差大小分配给每类不同票数；然后利用子模块稀疏度和子模块残差确定该子模块可信度权重，依据子模块可信度权重将所有子模块中每类票数进行加权求和，进行最终分类判别。