稀疏表示分类(Sparse Representation Classification,SRC)是基于稀疏表示和超完备字典构造的分类算法。SRC算法旨在使用尽量少的超完备字典原子的线性表示来拟合原信号,再通过比较稀疏拟合信号与各类别字典原子的相似度来获得分类结果。目前,基于该算法准确率高和抗噪能力强的优势,它被广泛应用到图像识别、文本分类及信号检测等领域。随着国内外学者对SRC算法探索的不断深入,结合聚类机制来优化字典构造的SRC算法被提出。基于聚类的SRC算法通过提取训练数据中的有效信息,减少了字典维度,降低了时间复杂度。本文针对基于聚类的SRC算法进行研究和改进,使用MNIST数据集对提出的算法进行实验仿真,主要工作和贡献如下:(1)基于训练集分割的聚类SRC算法。聚类SRC算法在信号分类领域具有良好的准确性和鲁棒性,但是训练样本数量增多会大大增加聚类的时间复杂度。为了解决该问题,本文基于训练集分割提出了两种改进的聚类SRC算法:a)基于训练集直接分割的聚类SRC算法。首先,将总训练集分割成多个子集,在每个子集上并行使用聚类SRC;其次,联合各个子集的结果判断信号类别。相较传统聚类SRC算法,该算法在保证分类性能的前提下,大大降低了聚类时间,同时提高了算法并行度。b)基于训练集分割改进残差合并的聚类SRC算法。在上一算法基础上,比较各个子集的重建残差,基于残差排序进一步构造字典进行SRC,再利用新得到的残差改进上一算法的残差合并结果来判断信号类别。相较上一算法,该算法在增加较少计算复杂度的前提下,使得分类准确率有一定程度的提升。(2)基于先验信息的聚类SRC算法。聚类SRC算法在信号稀疏表示过程和残差计算过程中,缺少待分类对象先验信息的使用,造成信息浪费和性能损失。本文基于先验信息提出了两种改进的聚类SRC算法:a)基于先验信息辅助支撑集选择的聚类SRC算法。在信号稀疏表示过程中,利用待分类对象与字典原子的距离度量来计算每个字典原子被选入支撑集的概率,以此作为先验信息,优化支撑集原子的选择过程。相较传统聚类SRC算法,该算法大大提高了分类准确率。b)基于先验信息辅助残差计算的聚类SRC算法。在上一算法基础上,计算待分类对象与字典原子的距离度量,将其作为先验信息纳入SRC的残差计算过程中。相较上一算法,该算法进一步提升了分类准确率。本文提出的几种改进算法分别从聚类时间及分类准确率两方面对传统聚类SRC算法进行了优化,取得了较好的性能提升,有助于SRC的实际应用。