随着计算机硬件设备的高速发展,大量数据开始进入计算机处理器,现有的字典学习算法大多采用线性字典学习方法,由于不需要预训练,这种学习方法速度快、稀疏性高,适用于大批量的输入数据,但当输入样本存在丢失或是较大噪声污染时,线性字典学习方法在用于图像识别时效果欠佳。为了解决这一些问题,本文在协同表示框架下,对经典的字典学习算法进行了改进,并将其应用到人脸识别领域。本文以经典的K-SVD字典学习算法为基础,针对输入数据预处理和改进字典学习方法两方面展开研究。主要研究内容如下:(1)介绍了本文的研究背景与意义,对国内外相关理论支撑进行了概述,并分析了主要工作。(2)阐述了信号稀疏技术,对协同表示进行分析,着重介绍经典K-SVD字典学习算法。(3)提出了一种改进的基于标签预处理和多核学习的非线性K-SVD字典学习算法。首先对输入数据进行预处理,通过设立标签正则化项,根据阈值判断,使用直接删除数据、使用小容错数据和均值补全数据三种方法把相同类的标签进行预处理,从而得到一个完整的、表达性强的字典。再将由线性核函数、多项式核函数、高斯核函数组成的多核函数引入K-SVD字典学习算法,对预处理之后的字典进行学习,在更新阶段,将更新信号投影到高维空间中进行学习,扩大字典学习空间,训练出一个过完备的字典,从而获得更好的分类性能。最后使用协同表示对测试样本进行分类,通过对L2范数残差值进行计算,根据测试样本的残差值,将其归入残差小的类。通过实验表明,在输入数据存在丢失或是具有较大噪声影响的情况下,非线性字典学习方法具有更好的分类能力,说明多核学习K-SVD方法在模式识别的图像识别领域中有好的表现。