低秩编码算法是计算机视觉、数据挖掘、信号处理和模式识别等领域的重要研究课题,目前已成功应用于图像描述、图像去噪、图像检索与分类等领域。针对现有的低秩算法对噪音敏感、类间判别性不足和无法自适应保持近邻信息的问题,本文提出鲁棒性更高、判别性更强和效率更高的低秩表示模型,并通过真实数据检验了算法在图像表示与图像分类应用上的有效性。本文的创新工作主要包括:(1)提出了相似性自适应潜在低秩表示模型,该模型通过引入了基于系数和显著特征的重构误差项来实现相似自适应显著特征提取,能够自适应地保留显著特征之间的邻域信息;嵌入的显著特征所包含的噪声和不利特征都小于原始数据,使得共享系数的重构更为精确;将L2,1范数和低秩约束共同施加在投影上,从而进一步增强显著特征对噪声的鲁棒性。(2)针对高维数据的显著特征提取问题,提出了鲁棒性自动加权投影低秩稀疏表示模型,该模型将自适应局域保持权值、联合低秩稀疏表示和鲁棒性增强表示集成到一个统一的框架中。为了提高相似性度量的精确性,本方法通过最小化去噪后数据和显著特征的重构误差来计算自适应权值;重构误差最小化还可以确保投影能够清晰和自适应地保存嵌入特征的局部邻域信息,为显著特征提取提供了保障。(3)提出了鲁棒自适应结构约束低秩编码模型。为了准确地恢复潜在子空间,该模型将基于块对角结构约束的自适应加权低秩表示和组稀疏显著特征提取无缝集成到统一模型中;为了使块对角结构适应于不同的真实数据,该模型计算了一个基于自适应显著特征的自加权矩阵,并将其与低秩编码的哈德曼积最小化,这可以促使低秩编码呈块对角化结构,也可以避免为权值分配选择最优邻域大小或内核宽度的棘手问题;基于L2,1范式的特征提取投影可以使得特征对样本中的噪声和离群点具有鲁棒性,也提高了特征编码过程的效率。