大量图像视频等信息的出现,使得图像分类成为了必不可少的技术。对于日益增多的图像信息,如何准确高效地识别出有用内容成为了人们关注的热点。近年来稀疏表示理论在图像分类领域获得了广泛的应用,此方法使用冗余字典对信号进行分解,增强了模型的稳健性。本文从理论基础和应用研究两个方面出发,重点对稀疏表示原理和稀疏表示字典学习的国内外研究进展进行了调研,并针对目前存在的缺陷与不足进行了改进。具体研究工作可概括如下:目前的字典学习模型大多需要采用坐标下降法求解受范数约束的Lasso问题,这使得分类任务的计算较复杂。为了克服上述缺点,本文提出了一种联合学习综合字典和映射字典的字典对学习模型。训练阶段利用迭代优化的方法将模型简化为标准最小二乘问题,分类阶段采用映射字典来高效求解稀疏系数,从而解决了分类的效率问题,同时采用Fisher判别准则编码系数使系数具有一定的判别性,进而获得具有判别能力的字典对模型。细粒度图像类别间通常具有大量的共享视觉特征,因此对其进行分类更加具有挑战性,此时如何提取有足够分辨力的特征并得到特征的结构就显得至关重要。为了解决传统方法不适合用于细粒度图像分类的问题,本文在字典对模型的基础上,提出了一种联合学习公共字典和类依赖字典的字典学习模型。公共字典用于学习类别间的公共特征,而类依赖字典用于学习每类各自的类依赖特征,这样使得学到的字典具有更强的判别性。最后将字典对模型应用到图像分类中,实验结果表明字典对模型不仅提高了分类准确率,而且大大降低了计算复杂度。然后又将改进的字典对模型应用到细粒度图像分类中,实验表明通过联合学习公共字典和类依赖字典能够获得更好的分类效果。