特征提取是高效视觉建模系统中的一个关键问题，目前特征提取方法已经广泛的用于降低计算复杂度和获得理想的分类效果。选取有效的目标特征是分类系统中很重要的组成部分。本文研究了基于分层稀疏表示的特征提取方法及其应用，主要工作与创新如下：　　论文的第一部分，提出了一种基于神经反应的特征提取方法，这种方法将分层结构与稀疏编码方法有效地融合在一起。在分层结构的每一层，都进行稀疏编码和联合操作，稀疏编码用来解决极度困难的稀疏特征表示问题，而联合操作是通过对稀疏的输出结果进行对比，进而得到已有的原型数据与输入图像块的匹配结果。我们通过在图像和语音数据库上进行分类实验，验证了文中所给算法的有效性。与其它方法相比，本文提出的方法能够更有效地提取特征。　　论文的第二部分，提出了一种新的分层稀疏编码的方法，它能够有效地提高手写体阿拉伯字母的识别精度。这个方法具有运算速度快和识别精度高的特点。从一般性的理论上来说，这个方法可以看作是一种尺度缩放和k均值技巧。对于尺度缩放，它的一个重要作用是能够消除大数据对小数据的覆盖作用。而k均值方法可以用来有效地选取导出核算法中的模板，从而提高算法在目标识别任务中的精度。在实验中，对所提出的方法和其它现有的方法进行了对比，我们方法的效果更佳。　　论文的第三部分，给出了一种新的基于信息熵的算法用于模板选取。在这个算法中，我们选取包含信息量多的模板，而舍弃其它信息量少的模板。这种方法能够使得分层稀疏方法具有更好的判别能力。实验结果表明，提出的方法能够取得更好的分类效果，同时计算量更少和所花费时间更短。