在实际生活中,广泛存在由不同采样频率采集的不同特征集合所形成的混合采样数据。这类数据不仅不同采样频率数据之间特征集合不同,而且其样本数量也不一致,传统的分类方法不能直接使用。本文认为,混合采样数据是不同视图数据以不同频率采集而成的多视图数据的一种特殊样式。因此,针对混合采样数据的分类问题,本文基于判别成对字典学习方法,从多视图数据分析的角度进行了研究。针对如何解决因混合采样数据独特的数据特点而产生的问题,本文提出一种基于字典学习的混合采样数据分类方法。该方法通过类比混合采样数据与多视图数据的特点,以判别字典学习方法作为基础模型。此外,Fisher判别准则被用来约束编码系数矩阵的列向量间的关系,使得其类内散度越小,类间散度越大,从而保证了编码系数矩阵的判别性。最后在分类阶段,本文采用对对应采样频率的数据进行编码重构的方法,进而判断样本所属类簇。针对进一步提升学习字典的判别性,从而提升模型的分类性能问题,论文将上述方法进行改进提出了一种基于局部秩序信息约束的混合采样数据成对字典学习分类方法。该方法利用基于综合字典和解析字典相结合的方法,不仅改善了传统₀L范数或₁L范数约束带来的训练测试代价问题,学习的结构化成对字典还可以巧妙应对混合采样数据采样频率不一致的特点。学习的综合字典保证样本能更好地被重构,而解析字典使得能直接由原始数据得到样本的近似编码系数矩阵,并引入局部秩序信息保留策略以增强成对字典的判别性。本文在Sens IT、Digit和Web KB等8个真实数据集上对本文所提方法进行了实验,结果表明,在大多数情况下,本文所提方法在指标ACC和F1-score上与表现最好的对比方法结果相当或优于对比方法1到2个百分点。进一步说明了在某些场景下采用填充手段处理混合采样数据是不可取之举,从而验证了提出方法的有效性。