数据表示在信号处理、图像处理、计算机视觉和模式识别等领域引起了研究者的广泛关注,其中字典学习(Dictionary Learning,DL)算法已成为当前研究的热点问题之一。鉴别字典学习(Discriminative Dictionary Learning,DDL)的目标是通过训练样本学习字典用以提高其编码向量(coding vectors)的判别能力。支持向量引导的字典学习(Support Vector Guided Dictionary Learning,SVGDL)算法对编码向量施加标准的支持向量机(Support Vector Machine,SVM)作为鉴别条件,联合学习字典和训练分类器,并在编码向量的更新过程将二次折页损失函数作为损失判定条件自由的分配权值。但其没有进一步探究编码向量构建的分类的器的泛化性能,一定程度上限制了模型的鉴别能力。究其原因,传统的SVM依据大间隔分类原则,利用边界样本点建立的分类超平面,未能考虑到数据的分布信息,一定程度上影响分类器抗噪能力;同时,模型优化过程中忽视了重新获得的编码数据构建的分类器的分类性能,不仅与大间隔原理有关,还与包含该数据的最小包含球的半径有关的基本事实。为了进一步提高字典的鉴别能力,本论文将对如上两个原因进行研究,主要内容如下:(1)针对SVGDL所训练的分类器未能考虑数据的分布信息,将具有fisher线性鉴别条件和大间隔分类原则的最小类内方差支持向量机作为模型的鉴别条件,在编码向量的更新过程中增加类内散布矩阵信息,减小同类样本的差异,同时获得不同类别间的大间隔分类器。促使模型更好的指导字典学习,进而提出最小类内方差支持向量引导的字典学习(Minimum Class Variance Support Vector Guided Dictionary Learning,MCVGDL)算法。(2)针对SVGDL忽略了新获的数据建立的分类器的泛化性能不仅与大间隔原理有关,还与包含该新获得的所有数据的最小包含球有关的基本事实。将SVM的泛化误差上界理论作为模型的改进思想,降低分类器泛化误差上界,获得相对间隔更大更真实的分类器,进而提出泛化误差界指导的鉴别字典学习(Generalization Error Bound Guided Discriminative Dictionary Learning,GEBGDL)算法。为验证所提算法的分类性能。在人脸识别,物体识别,手写数字识别等7个数据集上将几种典型的字典学习、SVM、CRC、SRC等算法在不同样本和字典原子的条件下分别与所提出的两种算法进行对比,讨论了模型参数对识别率的影响,验证了算法的收敛性。实验表明,所提算法在大部分条件获得了更高的识别率,减小了泛化误差界。