近些年,稀疏表示被成功地应用在很多领域,包括图像去噪、图像超分辨率、面部识别、以及更难的任务如图像分类、物体识别等领域。这主要是因为很多高维的自然信号近似地存在于一个低维的子空间,这样一个信号可以用少量的原子(atoms)近似的表示。稀疏编码的质量依赖于字典的选择,大量的实验表明从原始信号中学习到的字典包含了原始信号的语义信息,比那些事先定义的字典如小波wavelets、离散的余弦变换(DCT)、离散的傅立叶变换(DFC)表示效果更好。因此学习一个适定的字典非常重要。本文在深入研究现有字典学习模型的基础上,主要贡献有:(1)提出了一个判别结构化字典学习算法,此算法对于不同类的训练采样学习了一个共享的字典,同时保持了字典判别的结构化特性,使同一类的稀疏编码在该字典下尽量相同,不同类的稀疏编码尽量不同。字典学习过程中同时学习了一个线性分类器,使分类变得简单。(2)对于大规模和动态训练集,提出了一个半监督在线字典学习算法,依据梯度近似理论,保证了算法收敛性,同时减少了计算机内存的使用。