图像分类是针对一幅输入图像根据内容进行分类的技术,是计算机视觉领域的核心内容。近些年来,国内外学者提出了各种分类方法,并应用到相关领域。在众多方法中,基于稀疏表示理论的图像分类方法表现出了很强的鲁棒性。此方法通过选取合适的字典对信号进行稀疏表示,通过计算残差来进行分类。本文从传统稀疏表示分类器的原理以及多重残差的稀疏表示分类器两个方面,对稀疏表示分类算法进行了理论探究与实验验证,并且针对传统稀疏表示算法的不足之处,提出了一些改进思路。具体工作概括如下:1、系统介绍了稀疏表示分类器的原理,研究了稀疏表示系数的各类求解方法。选取主成分分析(PCA)和线性判别分析(LDA)两种算法进行数据降维,选取HOG、Dense-SIFT与Gist三类方法进行特征提取,构建稀疏表示分类器进行对比实验,对实验结果进行了对比分析。2、由于传统稀疏表示分类器的局限性,文本在传统稀疏表示分类器的基础上,提出一种多重残差的稀疏表示人脸识别算法,通过控制阈值的大小不断迭代已知残差权重,并在所有可能结果的空间中进行多重残差逼近,通过与经典人脸分类算法进行对比,验证了本算法的优越性。3、提出一种自适应调节权重的多稀疏分类器融合图像分类方法,通过将多个稀疏表示分类器的信息做决策融合,生成自适应分类模型来对图像进行分类。首先对原始图像分别提取3组不同特征,并训练出各自稀疏表示分类器,然后根据各个子分类器的准确率,通过迭代计算自适应确定各分类器最终权重。最后,融合各子分类器的输出结果进行最终类别判断,并通过单个特征下的图像分类对比实验以及基于不同分类器的对比试验,验证了该方法较传统方法具有更高的准确率。