随着科学技术的飞速发展,数据的获取方式和内容形式获得了极大的提升,如何从复杂的数据中挖掘出最有效的信息成为制约模式分类算法性能的关键问题。本文立足于表示学习框架,并借鉴深度学习理论,对表示学习的三个主要分支即协作表示、子空间表示,字典表示分别展开研究,提出了隐子空间协作表示、深度字典对表示等系列算法,以提取数据中的有效表示特征进行分类,所取得的研究成果如下:针对由于原始数据中存在噪声和冗余特征以及样本缺失等问题而造成传统的基于表示学习的分类方法难以获得良好的特征表示系数,进而限制其分类性能的问题,提出了基于标签嵌入的隐子空间协作表示（LELSCR）,旨在学习一个具有更优空间结构和更强判别信息的隐子空间,从而得到在该空间上合适的表示系数以提升分类性能。首先,构造了编码系数的局部约束项使得原始数据空间的编码系数具有更合理的局部相似性结构;其次,利用隐子空间协作表示的标签信息构造了标签嵌入项,使得隐子空间的协作表示系数具有更加判别的块对角化结构,从而更趋近于理想分类。最后针对分类器学习,采用灵活的回归目标项进一步提升线性分类器的类间区分能力。由于传统协作表示和隐子空间协作表示均是基于原始数据空间维度,而实际应用中数据往往是高维的且包含大量的噪声和冗余特征,因而会极大地限制协作表示系数以及隐子空间表示系数的特征表征能力。针对此问题,我们基于LELSCR进一步引入了子空间投影,从而在嵌入子空间里寻找更具空间结构合理性和判别能力最大化的协作表示与隐子空间协作表示,所提基于判别投影的隐子空间协作表示学习（DPLSCR）将图嵌入降维模型和隐子空间协作表示学习整合到同一框架下,在有效降低原始空间数据维度以及减少数据噪声和冗余的同时,寻找到类间最大化、类内最小化的投影子空间,从而学习到更优的隐子空间协作表示和更具判别性的线性分类器。多个数据集上的实验结果表明,所提算法具有比传统协作表示的方法和LELSCR更高的分类准确率。针对现有的深度字典学习大都为多层字典学习,并非真正的端到端的网络结构,且字典学习的输入依赖于特征提取操作等缺点,通过将字典对学习有效地嵌入卷积神经网络,提出了基于深度卷积网络的判别字典对学习（DCDPL）,在利用卷积和池化等操作有效提取图像特征的基础上,利用字典对学习的稀疏重构特性进行信息集成,有效地提高特征的表示能力和区分性。同时为了增强字典的判别性,对合成型字典原子施加监督性信息,构造了合成型字典的结构性约束以增强字典的特征信息和判别性。多个数据集上的实验结果表明所提方法的分类性能优于现有的深度字典学习方法。最后,将卷积字典对学习的思想应用于高光谱图像分类任务,以3D CNN为基本框架,进一步使用了2D CNN和字典对学习获取更丰富的特征信息,提出了基于卷积字典对学习的高光谱图像分类方法（CDPL）,实验结果表明,所提方法可以有效应用于高光谱图像分类任务。