图像分类是计算机视觉和模式识别领域一个重要的研究方向,随着移动互联网和计算机技术的迅速发展,图像分类在互联网、信息安全、医疗等领域被广泛地应用。稀疏信号表示的理论和应用在过去几年里得到了迅速发展,它通过线性表示的方法,用超完备字典中少量的原子来逼近信号,实现信号简单有效的表示,以便于后续工作的开展。字典学习的目的就是学习这样一个超完备字典,实现信号的稀疏表示。在图像分类中,通常通过为每个类别分配独特的子字典的方式,使得相同类别共享共同的支持,从而使学习的字典具有区分能力。然而,在许多图像分类、识别的应用中,相同类别的数据共享相同的支持的要求太过理想化,具有很大的限制,因为同一类别的信号通常具有共同特征和创新特征两部分。本文提出了一种新的用于图像分类的区分性字典学习架构,架构利用了灵活的脏稀疏模型来学习具有区分能力的字典。和基于子字典的方法不同,模型学习一个所有类别共享的字典,因此即使数据类别很大时也保证了模型的可扩展性。本文通过设计正则项的方式将所提出的字典学习模型规划成了一个最优化问题,从而获得理想的区分性字典和脏稀疏结构的稀疏表示,提出了一种基于交替方向乘子算法的高效迭代更新算法来解决提出的最优化问题。提出的字典学习算法的分类性能在多种真实的数据集上通过实验进行验证。所有的实验结果都表明我们的算法能够获得很好的分类性能,并且优于许多已存的基于字典学习的图像分类方法。