随着图像特征编码在目标显著性计算、图像分类和人体再识别技术领域的快速发展,使得计算机在真实场景中理解和分析图像内容的能力越来越智能化。目标显著性计算核心思想是利用算法模仿人眼视觉显著性功能,目的是检测图像中吸引人视觉系统的感兴趣区域。图像分类是图像理解重要研究方向,任务是按照图像的内容把图像分成不同类别。人体再识别技术在视频监控领域中起着重要的作用,目的是在多个不同的摄像头中识别特定的人。近年来,基于图像特征编码的方法广泛应用在图像分类、显著性目标检测和人体再识别方向,然而,经典的特征编码方法未有效利用每类目标的码本信息且码本中码字之间是独立的。针对以上问题,本文提出了利用类码本的方法学习特征的显著度并利用条件随机场（CRF）优化每类码本,可以有效地关联码本中码字之间的上下文信息。为了验证本文方法有效性及准确度,其应用在图像分类、目标显著性计算和人体再识别三个领域。本论文的主要贡献由以下几部分组成。1.本文利用每一类的码本计算相应类的显著性特征并采用局部约束线性编码（LLC）方法对得到的类显著特征进行编码。由于经典的图像特征编码方法仅仅学习一个全局码本,缺乏每类码本的信息。针对此问题,本文提出了一种新的特征编码方式用于解决图像分类任务,其中每类的码本由对应的指定类的训练样本获得,且本文提出的字典生成和特征编码方法简单便于实现,不需要优化计算。与模式识别领域已报导的算法相比,本文算法在图像分类精度方面呈现明显优势。例如:与KSVD和LC-KSVD方法相比,本文算法在Caltech101公共数据集上得到了更为出色的实验结果,图像分类精度达到79.8%。2.本文在局部约束线性编码（LLC）和条件随机场模型（CRF）基础上,提出了自顶向下（top-down）目标显著性计算模型。由于经典的稀疏编码方法采用的是稀疏约束项条件,需要复杂的优化算法且未有效利用近邻的局部特征信息。LLC编码方法采用的是局部约束项条件,充分考虑了码本中码字之间的近邻信息。在此基础上,本文提出了利用LLC编码和CRF模型的方法用于解决目标显著性检测任务。在训练阶段,本文把LLC编码响应作为CRF模型的隐变量,同时利用CRF模型优化调节学习的指定类码本。在测试阶段,本文提出的方法采用已学习到的显著性目标模型来计算图像中目标显著性区域。为了验证本文方法的性能,在公共数据集MSRA-B,Graz-02,Weizmann Horse及Plane数据集上开展实验,结果表明,本文提出的方法相较于已有方法,不仅能提高目标显著性检测准确度而且能减少计算复杂性。3.在目标显著性计算领域,已报导的算法多是利用目标的信息而忽略了背景信息对算法的干扰,造成在复杂背景图片中,无法有效检测显著性目标的位置。为了降低背景的干扰,本文提出了一种新的方法用于计算目标显著性的区域,将背景信息度量方法与top-down视觉显著性模型相结合,可以在复杂场景中,有效地寻找到指定目标类的具体位置。首先,本文所提方法用鲁棒的背景度量算法计算真实场景中前景显著性区域;其次,通过LLC和CRF方法学习指定类的显著性目标模型;最后,融合两种显著性目标映射图用以计算最终精确的指定类目标显著性区域。在Graz-02和PASCAL VOC2007数据集上的实验结果表明本文的方法可以取得较好的实验结果。4.人体再识别作为机器学习与模式识别领域的重要分支,其技术的研究自2012年以来一直是该领域的研究热点。经典的人体再识别方法采用计算人体图像原始特征的距离,通过距离远近决定识别的结果。由于图像原始特征包含大量的噪声干扰,直接计算图像特征之间的距离往往效果不理想。为了解决此问题,本文提出了一种新的人体再识别算法,即利用局部约束线性编码对提取到的图像原始特征进行再加工,获得更深层次的图像表示,可有效地避免噪声的干扰,并利用对原始图像重构误差大小进行识别。经典的LLC方法是利用K-means聚类算法来学习码本,与其不同的是本文把每幅图像的特征向量看作一个码字,由多个码字组成一个码本,不需要K-means聚类算法来学习码本,可有效减少计算时间。在工程测试中,大多数经典人体再识别方法测试时间较长,无法在真实场景中应用。大量实验结果表明,本文提出的方法有效解决了工程应用中的瓶颈问题,即:在保证人体再识别精度的前提下,提高了算法的时效性。