图像分类主要根据图像的特征属性对图像进行自动分类.受光照、尺度变化等因素的影响,如何提取图像特征并对图像进行有效表示成为图像分类的主要研究问题.稀疏编码是一种高效的特征表示方法,它通过寻找一组超完备字典基向量,求得特征基于字典基的重建系数,在图像分类上取得了较好的性能.然而,稀疏编码的研究仍存在不足之处,比如忽略了字典基之间的群效应,欧氏距离不能很好地度量特征向量与字典基之间的距离,以及Laplacian正则项忽略了特征的空间拓扑结构信息,导致特征的泛化能力较弱等.此外,与基于深度学习的方法相比,单层模型的特征学习能力具有一定的局限性,它难以发现数据的深层特征.本文主要围绕稀疏编码和深度学习进行研究,分别对上述问题提出相应的解决方法,并对标准数据集进行了一系列综合实验.本文的主要研究工作和创新点如下:1.针对₁l范数只考虑编码的稀疏性而忽略群效应问题,提出基于弹性网和直方图相交的稀疏编码方法.在编码的优化函数中引入₂l范数作为正则项,能够获得类似₁l范数的稀疏性,且考虑群效应.并且通过引入直方图相交,重新定义特征向量与字典基之间的距离,得到更有效的图像编码.2.为了解决Laplacian正则化忽略特征的空间拓扑结构信息,导致泛化能力较弱的问题,提出基于₂l范数和Hessian正则项的非负局部稀疏编码算法.Hessian正则化可以较好地利用特征的拓扑结构,更加准确地描述数据的内在局部几何特征.因此,可以较好地预测样本区域之外的数据.同时在优化函数中引入局部性和非负性约束,进一步提高了编码的稳定性和一致性.将该算法应用到标准数据集的图像分类中,取得了优良的分类效果,验证了算法的优越性.3.针对单层稀疏编码的特征学习能力局限性问题,结合深度学习较强的层次特征学习能力,提出两层Laplacian稀疏编码的图像分类.在第一层和第二层分别进行非负字典学习和稀疏编码,得到图像块级、图像级的稀疏表示.该算法可以较好地捕获图像深层次的特征,具有高效的特征学习能力.在4个数据集上进行验证,相比单层稀疏编码的表征能力,两层的编码模型在分类性能上有进一步的提升.