钩虫、蛔虫、血吸虫、绦虫等是人体常见的寄生虫，及时准确的发现人体中的寄生虫种类是防治寄生虫病的关键，以往人工检测的方式操作繁琐，效率低下，很快便转向依靠计算机技术辅助完成。随着现代显微医学图像处理技术的发展，基于图像的寄生虫虫卵识别已是一个重要领域，现有识别方法的一般流程是先对图像进行预处理并分割出目标，接着提取虫卵的形态、大小、边界、熵值等特征，最后结合一个分类算法完成识别，此类方法往往难以选择合适的寄生虫虫卵特征，特别在遇到诸如虫卵相似、边界不明显、背景复杂等因素干扰时，算法的鲁棒性较差。基于稀疏表示的分类(SparseRepresentation-basedClassification，SRC)算法是稀疏表示理论在模式识别领域的一个重要应用，在图像识别问题中，大量实验表明它对数据污染、遮挡、缺失以及噪声较以往分类算法具有更强的鲁棒性，同时对特征的选择不敏感。基于这些优势，并考虑到现有寄生虫虫卵识别方法的不足，将该算法与其他技术相结合应用于寄生虫虫卵识别中。　　 本文围绕SRC算法在寄生虫虫卵识别中的应用展开深入研究，主要工作如下:　　 1.对稀疏表示理论进行了综述，详细分析了几个重要的稀疏表示算法。　　 2.对数据降维技术中的广义二维主成分分析方法(Generalized2-DimensionalPrincipleComponentAnalysis，G2DPCA)进行了介绍，重点分析了对称二维主成分分析(Bilateral-projection-based2DPCA，B2DPCA)。　　 3.将SRC算法与广义二维主成分分析方法、分类器Boosting等技术相结合应用于寄生虫虫卵识别中，提出了新的寄生虫虫卵识别方法。　　 4.针对本文的识别对象——寄生虫虫卵，设计了寄生虫虫卵初始字典的构造方法，并用K-SVD算法及改进的K-SVD算法对原始字典进行学习，以得到识别过程中所需的字典。　　 5.对11种常见人体寄生虫虫卵图像（分辨率为1600×1200）进行了实验与分析。　　 实验结果显示，基于稀疏表示的寄生虫虫卵识别算法具有更强的鲁棒性，能在较短时间完成高分辨率图像的目标识别并保持较高的识别率。