近年来，基于稀疏表示的图像识别方法是模式识别领域的一个研究热点。同时，字典学习又是基于稀疏表示图像识别方法中的核心问题。国内外学者已提出许多用于图像识别的字典学习方法。尽管现有字典学习方法在用于图像识别时大都取得了较好的识别效果，然而，当训练样本存在较大噪声污染时，现有字典学习方法在用于图像识别时效果欠佳。为了解决这一问题，本文在稀疏表示框架下，对字典学习进行了深入系统的研究，主要研究内容如下：　　1) 提出了一种 Schatten-p 范数正则化判别低秩图保持字典学习(DLRGP_DL)方法。该方法试图通过低秩约束转换和局部空间保持等手段，来学习一个既有表现力又有判别力的结构化字典。具体来说，本文对子字典进行Schatten-p范数正则化处理，使其具有低秩结构，这样能够有效减少训练样本中包含的噪声的负面影响，从而使学习到的字典更加干净、紧凑。同时为了提高学习到的字典的判别能力，在字典学习过程中，将有判别力的图保持正则项应用于编码系数，从而使得来自同一类的相似训练样本具有相似的编码系数。给定任一测试样本，将学习到的字典用于计算该测试样本的编码系数，并根据计算得到的编码系数及类依赖重构误差，完成测试样本的分类识别。　　2) 提出了一种低秩图保持判别结构化字典学习(LRGPDSDL)方法。该方法在上一个创新点基础之上，对子字典的类型及子字典之间的约束提出了进一步的要求。具体来说，该方法学习到一个由公共子字典和类相关子字典组成的结构化字典。其中，公共子字典主要用来描述所有类的共性特征，类相关子字典主要负责来刻画特定类的特性特征。由于公共子字典的存在，使得类相关子字典判别力更强、更适用于分类任务。此外，为了确保子字典之间的独立性，本文还引入了字典不相关约束项，进一步地提高了字典的判别力。同样，给定任一测试样本，将学习到的字典用于计算该测试样本的编码系数，并根据计算得到的编码系数及类依赖重构误差，完成测试样本的分类识别。　　在Extended Yale B、CMU PIE、AR和农作物叶部病害数据库上的大量实验表明，本文提出的两种字典学习方法鲁棒性更强、识别效果更佳。