判别特征表示作为模式分类的核心问题,一直是机器学习、计算机视觉等领域的研究热点。然而判别特征的获取过程通常伴随着信息丢失,以及现存的判别特征表示模型往往存在一些缺陷和问题。例如传统算法无法适用于高维数据、流形结构特征处理复杂;深度学习中简单网络难以提取有效特征;关注实例特性而忽略实例间特征关联性等。本论文针对上述问题进行了大量的调研与实验,重点研究和讨论判别特征表示学习在极化雷达图像地物分类和一般图像分类两个分类任务中的应用。研究内容和主要贡献包括以下几个方面:第一,提出基于黎曼空间几何感知判别字典学习的极化雷达图像地物分类方法。本文将自适应判别字典学习算法扩展到黎曼流形上,字典原子由流形数据构成;提出一种基于交替方向乘子法的有效优化算法求解模型。实验表明,本文算法学习出合适的字典,在两个公开数据集上评价指标均超过了当前流形的其他算法,在Flevoland数据集上OA和KC分别达到88.48%和86.69%,均超过以往最好方法约4%,模型的收敛性和初始字典的鲁棒性也通过实验得到了验证。第二,提出了基于分布一致性互学习的特征优化方法。本文以端到端的伪孪生网络为框架,引入生成对抗网络的思想自适应学习样本逻辑分布的相似性度量,并衡量不同度量组合对分类结果的影响。在三个常见数据集CIFARs和TinyImageNet上的实验表明,本文算法对不同结构的基础分类网络都有较高的提升。在维持ResNet20网络结构和参数量不变的情况下,在CIFAR100数据集上精度达到69.60%,较原始网络提升3.27%,超越了以往流行算法的性能。第三,提出了基于拓扑一致性互学习的特征优化方法。本文算法不仅关注实例分布的一致性,也迁移学习实例间的相关性知识。细粒度分类数据集CUB200和CAR196的嵌入实验表明,本文提出的知识迁移方式的有效性。在三个常见分类数据集CIFARs和TinyImageNet上的实验中,提出的算法在各类基础网络上都能达到与最新算法持平的性能。优化后的ResNet32网络在CIFAR10和CIFAR100上精度分别到达94.08%和73.14%,与三倍参数量的原始ResNet110网络预测精度持平。