图像分类作为数字图像处理过程中需要解决的核心问题之一,一直以来都是机器学习、计算机视觉和模式识别等领域的热门研究课题。近年来,各种不同的图像分类方法已经被广泛地应用于如机场火车站的自动身份验证、移动设备拍摄图像内容的快速检索、各类单据信息的自动录入等现实生活的诸多场景。处理现实应用场景下的图像分类问题需要面对如下三种挑战:（1）属于不同图像类别的数据样本含有相似的共享信息。这些共享信息会显著地降低不同图像类别样本间的差异性,从而影响分类算法提取到的图像特征的判别能力,进而降低算法的分类性能;（2）采集到的图像数据中会不可避免地包含一些干扰噪声。这些噪声会在一定程度上损坏图像样本内包含的信息,从而使图像分类算法无法提取到有效的图像特征,进而影响算法最终的分类准确率;（3）图像样本内通常会含有需要保护的敏感信息。这些敏感信息可能与图像内的判别性信息耦合在一起,并在特征提取时,被图像分类算法提取到用于分类任务的图像特征中,从而造成不必要的信息泄露。为了应对这些挑战,本文在稀疏表示和字典学习技术的基础上,结合并拓展了部分已有的研究思路,提出了如下三种不同的方法,分别在一定程度上解决了上述三个问题:1.针对图像内含有类间共享信息的判别性问题,本文提出了一种基于双拉普拉斯图正则化的双字典学习算法。该算法构造了两种不同的图像字典试图分别提取各图像类别的特异信息和类间的共享信息。为了正确分离图像中这两类信息,该算法设计了一种新的双拉普拉斯图正则化约束。它利用两种字典对应的图像样本稀疏表示系数,分别建模了类内特异信息间和类间共享信息间应具有的不同局部相似性关系,从而达到了从类内特异信息中分离类间共享信息的目的,进而增强了各类别图像样本特征的差异性,提升了算法的分类能力。2.针对图像内含有干扰噪声的鲁棒性问题,本文提出了一种低秩鲁棒双字典学习算法。在双字典学习模型的基础上,该算法试图将图像内包含的信息分解为三个不同的部分,即类内特异信息,类间共享信息和稀疏的干扰噪声。通过在图像字典上施加核范数最小约束,该算法能有效地拟合类内特异信息和类间共享信息应具有的低秩结构。从而利用类间共享字典和稀疏噪声矩阵共同提取图像中可能含有的干扰噪声,并将其从类内特异字典中分离出去,通过这种方式,类内特异字典表示系数的判别能力和鲁棒性都得到了显著的提升。3.针对图像内含有需保护的敏感信息的公平性问题,本文提出了一种基于信息瓶颈理论的公平稀疏表示算法。该算法假设每个图像样本都是由两个不同的稀疏隐变量协作生成,其中一个只包含用于分类的非敏感判别性信息,另一个则包含需保护的敏感信息及其余与分类无关的图像冗余信息。为确保两个隐变量能分别正确地提取到上述信息,该算法利用信息瓶颈理论对分类隐变量中的信息量进行压缩,同时引入了互信息最小化约束增强两个隐变量间的相互独立性。从而在敏感信息不被提取到的前提下,尽可能地保留分类隐变量的判别能力,进而在保证算法公平性的前提下,最大程度地减小了算法的分类性能的损失。本文在多个公共数据集上对提出的方法进行了实验验证。从实验结果可知,本文提出的三种方法可以有效地对图像样本中含有的信息进行分解,分别去除图像数据中含有的类间共享信息,干扰噪声信息及敏感信息的影响,从而分离出各类别的判别性信息以完成图像分类任务,进而分别提升各方法的判别性、鲁棒性及公平性。