随着近些年来网络技术的快速发展，人们在日常生活中大量使用互联网，导致网络上的图像和数据急剧增长。如何对这些图像和数据进行分类成为智能信息处理领域的一个关键问题，也是国内外研究者非常关注的一个领域。Fisher矢量编码在图像和数据分类问题上取得了显著的效果，本文对Fisher矢量编码算法进行了改进，采用优化学习的方法，通过半非负约束实现了Fisher矢量编码的稀疏表示，并且改进了零样本学习分类算法，获得了较好的分类结果。本文的主要研究成果如下：　　1.提出了一种基于优化学习的Fisher矢量分类方法。该方法每次采用单个高斯模型对训练样本进行训练，利用训练的结果和真实的标签进行对比。取出这些单个高斯模型中分类结果最佳的，并构建混合高斯模型，进而获得Fisher矢量。该方法降低了混合高斯模型中的高斯模型数量，降低了编码复杂度，对高斯模型进行了筛选，从而增强了特征的典型性，提高了数据的分类精度。　　2.提出了一种基于半非负约束稀疏编码的Fisher矢量分类方法。该方法构建出一个稀疏编码的模型，对高维的Fisher矢量编码进行了有效的降维，去除了编码中的冗余成分。稀疏编码模型中编码的权重是非负的，采用了半非负分解的方式对稀疏编码模型进行求解，进一步使得提炼出的特征编码更加有利于分类，从而分类的效率得到提高。　　3.提出了一种基于约束的嵌入模型零样本学习的分类方法。该方法对嵌入零样本学习分类方法进行了约束优化，分别采用了L2范数和L1范数的约束。其中L2范数约束防止了参数的过拟合，利用随机梯度下降法对L2范数约束的参数项进行了求解。L1范数的约束实现了参数的稀疏特性，通过坐标轴下降法对L1范数约束的参数进行优化求解。两种约束策略实现了分类参数的合理化，从而有效提高分类效率。　　本论文工作得到了国家自然科学基金（No.61571342）的资助。