近年来稀疏表示理论及其算法得到快速发展,并在计算机视觉和图像分析等研究领域有着广泛的应用。依据稀疏表示的分类器性能取决于选择的字典,因而如何由训练样本得到表示能力强的字典成了由稀疏表示诱导出的分类器设计的关键。主流的字典学习将判别策略嵌入到字典学习的目标函数中,以此来增强字典的判别能力。采用的判别策略包括线性预测分类误差、Fisher判别标准以及标签一致性等。该类字典学习方法大都采用某一种判别策略,而单一的判别策略只能从某一方面来增强字典的判别性,但如果将不同的判别策略相结合,可以从不同方面来增强字典的判别能力,以此来获得判别能力更强的字典和稀疏编码。为此,本文将围绕字典学习展开深入的研究,侧重考虑将不同的判别策略嵌入到字典学习的目标函数中,以此来增强字典和稀疏编码的判别能力,实验验证模型的有效性。同时,本文将新提出的字典学习方法应用于高光谱图像的分类(即：融合高光谱图像的纹理特征和光谱特征,进行字典学习并将其应用于高光谱图像的分类),进一步验证了新模型的有效性。本文的主要工作如下：1.提出基于线性回归与Fisher判别的字典学习算法(LRFDDL)。该算法将线性回归项和Fisher判别项嵌入到字典学习的目标函数中,以此来获得判别能力更强的字典以及分类器。线性回归项采用使样本的预测类别和实际类别尽可能相同的策略,以此来获得更合适的分类器；Fisher判别项采用使稀疏编码的类内散度尽可能小类间散度尽可能大的策略,以此来增强字典的判别能力,这是由于字典的判别性可以通过稀疏编码表现。在AR、Brodatz、JAFFE和AR性别四个图像数据集上进行了该算法的验证,实验结果表明LRFDDL算法是有效可行的。2.提出基于标签一致性与Fisher判别的字典学习算法(LCFDDL)。该算法将标签一致性项和Fisher判别项嵌入到字典学习的目标函数中,以此来获得判别能力更强的字典和稀疏编码。标签一致性项将样本标签信息与字典原子的标签信息关联起来(即：样本尽可能由字典中与其属于同一类别的原子来表示),以此来增强字典的判别能力；Fisher判别项采用使稀疏编码的类内散度尽可能小类间散度尽可能大的策略,以此来增强字典和稀疏编码的判别能力。基于LCFDDL的分类同时利用学习得到的字典和稀疏编码,以此来提高分类效果,这是因为学习得到的字典和稀疏编码都具有判别性。在AR、Brodatz、JAFFE和AR性别四个图像数据集上进行了该算法的验证,实验结果表明LCFDDL算法是有效可行的。3.将LRFDDL与LCFDDL应用于高光谱图像的分类中。首先运用Gabor提取高光谱图像的纹理特征,融合高光谱图像的纹理特征和光谱特征,再进行字典学习并将其应用于高光谱图像的分类。在Pavia University、Pavia University Center、Washington DC和Salina-A四个高光谱图像上进行了字典学习算法的验证,实验结果表明LRFDDL和LCFDDL能有效的提高高光谱图像的分类效果,进一步验证了LRFDDL和LCFDDL的有效性。