图像分类是机器学习和计算机视觉领域中一个非常重要的研究内容,在国防安全、工业信息化、医学工程和互联网科技等方面均有广泛的应用。由于图像易受光照条件、拍摄角度、复杂背景、旋转变换或尺度放缩等因素的影响,从而对图像进行分类是一个非常具有挑战性的课题。因此,研究高效而具有鲁棒性的图像分类算法,具有重要的理论意义与实际应用价值。提取图像具有代表性的特征,是图像分类过程中的一个关键部分。为了从复杂的图像中提取有效的图像特征,以及克服训练数据不足的现实问题,本文基于神经反应模型和稀疏表示方法,着重研究了具有鲁棒性和区分性的图像分类方法,提出了一系列算法,并取得了较好的分类效果。论文的主要内容如下：首先,本文提出了一种基于稀疏表示的神经反应算法。该算法是一个多层的结构,试图模拟人类大脑皮层中的视觉处理机制,通过交替进行非负稀疏表示和最大化联合操作来构建。非负稀疏表示能够提取图像中的显著特征,而最大化联合操作使得模型对于平移等变换具有不变性。为进一步提高算法的性能,本文依据算法的结构特点,还设计了两种简单而有效的模板选取方法。通过仿真实验,验证了该算法能大幅提高原始的神经反应模型的性能,并在复杂图像的分类问题中取得较好的效果。然后,通过引入ELM (extreme learning machine)的理论，本文提出了一种基于神经反应模型的多层结构算法。该算法主要包含两个阶段,即多层的ELM特征映射阶段和ELM学习阶段。其中,多层的ELM特征映射阶段是一个多层的结构,它是以递归的方式通过交替进行特征图构建和最大化联合操作来建立的。特别地,我们使用随机生成的输入权重构建特征图,且无需对权重参数进行优化调节,这使得模型的结构更加简单,有更高的计算效率。在ELM学习阶段,本文提出了一种基于弹性网正则化约束的优化模型,为ELM方法学习输出权重,并相应地设计了问题的优化算法。弹性网正则化约束能够为ELM方法学习更紧致和有选择性的输出权重,这将有益于ELM方法的特征学习过程。实验结果显示,与传统的深度学习方法相比,该算法能够在获得更高分类精度的前提下,花费更少的计算时间。最后,针对实际问题中训练数据不足的情况,本文提出了一种半监督的基于图正则化约束的稀疏表示算法。该算法能够充分利用已标记数据和未标记数据的信息,学习未标记数据的类别信息。学习得到的类别信息,不仅能够保持与原始数据相同的流形结构,而且具有较好的区分性,有利于对图像进行分类。为了充分挖掘未标记数据中隐含的结构信息,通过赋予邻域内未标记数据额外的权重,定义了一种新的类间相似度矩阵和类内相似度矩阵,从而可获取数据中更具区分性的特征。为了处理线性不可分的图像数据,本文还提出了一种基于图正则化约束的核稀疏表示方法,可在高维空间中对数据进行线性分类。相应地,本文为提出的稀疏表示方法及其核方法,设计了两种高效的优化算法。实验结果表明,算法在处理训练数据不足的图像分类问题时,仍然能够取得较好的效果。