基于表示的分类方法（Representation-Based Classification Methods,RBCM）是计算机视觉和模式识别领域中研究的热点课题之一,在人脸识别、字符识别以及高光谱图像分类等应用中取得了优异的性能,成为近年来研究较多的一类图像分类方法。经过十余年的快速发展,研究者们提出了大量的表示和分类方法,并应用在不同领域。近年来,随着相关领域的发展,改进的表示分类算法在图像识别领域中展示出优异的性能。然而,这些方法仍存在一些不足之处有待改进,比如如何利用训练样本的结构信息、多样性和类别标签信息提取更加丰富以及具有鉴别性的特征,使得在分类阶段使用简单的分类器就可以取得较好的识别性能;以及如何增强表示系数的稀疏性来提升识别率等等。本文从上述问题着手并结合相关研究,提出几种更加有效的表示分类算法。本文的主要工作概括如下:（1）提出了一种稀疏增强的加权协同表示分类（Sparsity Augmented Weighted Collabo-rative Representation-based Classification,SA-WCRC）算法。协同表示分类（Col-laborative Representation-based Classification,CRC）方法指出,协同表示机制才是稀疏表示分类（Sparse Representation-based Classification,SRC）方法取得成功的关键原因,而并非l1范数的稀疏性。但是,最近研究表明,表示系数的稀疏性在测试样本的准确分类中起关键作用,因此,不能因为l1范数的计算成本较高而忽略它的作用。另外,数据的局部结构在某些情况下比全局结构包含更多有意义的信息。受以上启发,本文提出了SA-WCRC方法。首先分别通过加权协同表示和稀疏表示得到测试样本的表示系数。然后使用稀疏表示来增强加权协同表示所获得的表示系数。最后,根据增强系数与训练样本的标签矩阵对测试样本进行分类。稀疏增强的表示系数以及上述分类方案都使得SA-WCRC方法对于分类更有效。本文还通过实验证明SA-WCRC方法在分类方面的优越性。（2）提出了一种稀疏和协同竞争表示乘性融合的分类（Sparse and Collaborative Com-petitive Representation based Classification,SCCRC）算法。由于协同竞争表示分类（Collaborative-Competitive Representation based Classification,CCRC）方法在CRC的基础上引入竞争表示项,该正则项会促进不同类别的训练样本来竞争表示测试样本,因此在某种程度上会增强CCRC方法的表示系数的稀疏性。然而,CCRC方法的表示系数依然不够稀疏,这会限制该方法的分类性能。对于RBCM来说,表示系数的稀疏性对测试样本的正确分类有重要影响。因此本文提出的SCCRC方法将SRC方法与CCRC方法各自计算出的表示系数进行乘性融合,而乘性融合策略会得到更加稀疏的表示系数,更有利于分类。本文通过实验验证了该融合策略能有效提升分类性能,此外,当测试样本存在噪声时,SCCRC方法依然能取得较好的分类性能。（3）提出了一种高效的结构化字典学习（Efficient Structured Dictionary Learning,ESDL）算法。在字典学习中,理想情况下的编码矩阵应该具有块对角结构。因此在ESDL算法中引入理想的表示系数矩阵,通过该矩阵使得字典原子与训练样本的标签信息相关联,提升表示系数矩阵的鉴别能力。同时,ESDL算法通过生成可替换的训练样本来充分利用训练样本的多样性。此外,与传统的字典学习算法不同,ESDL算法在编码系数上施加l2范数约束,使得该算法的优化过程比较高效。本文还通过实验证明了 ESDL算法在分类方面的有效性。