在信息技术高速发展,数据容量不断扩张,互联网作为信息传播和再生平台的情况下,“信息泛滥”、“数据爆炸”等现象经常出现,为了能够快速地从海量的数据信息中获得有价值的内容,研究高效的、适用于大量数据集的分类算法是非常必要的。近几年,广大学者们开始使用字典学习方法解决数据分类问题,取得了令人满意的结果。然而,经过研究发现,这些算法大部分都是基于合成型字典的,这类算法的运行效率偏低且不容易解释。因此,解析型字典开始引起学者们的注意。解析型字典可以为编码过程提供更加直观的解释,同时可以提升算法的运行效率,但是分类性能较差。为了令解析型字典学习模型能更好地解决模式分类问题,需要进一步增强其判决能力。本文提出了两种不同的具有判决力的解析型字典学习方法,并验证了新算法的有效性。本文的主要贡献由两部分内容组成。(1)本文提出基于合成型线性分类器的解析型字典学习算法。该算法将基于合成型线性分类器的误差项加入基本的解析型字典学习模型,充分使用了标签信息,提升了编码系数的判决能力,进而提升了模型的整体分类性能。针对这一模型,本文设计了一个交替迭代算法进行求解,获得的闭式解可以明显提升模型的运行效率。除此之外,本文还设计了三种分类方法,充分挖掘了合成型线性分类器的价值。之后,在场景分类,目标分类,行为识别和人脸识别等数据库中进行大量的比较实验,验证了新算法的分类性能。(2)本文提出对类别敏感的解析型字典学习算法。该算法充分利用数据的类别信息,分别从两个方面提升解析型字典学习模型的分类性能。一个方面是学习具有判决能力的对类别敏感的解析型子字典,另一个方面是利用基于大间隔的正则项来提升编码系数的判决性。此外,本文从保持样本对之间相对关系的角度进一步解释了大间隔正则项的原理,证明了其对于提升字典学习模型的分类性能确实具有一定的改善作用。实验证明:学习子字典和基于大间隔的正则项对于改善基本解析型字典学习模型的分类性能具有明显的帮助。