组织病理图像蕴含生物体丰富的病理信息,对于医学研究的发展具有不可估量的价值,其中,组织病理图像分类引起了学术界的极大关注。近年来,诸多成果已经证明了判别性字典学习在图像分类任务中的重要性。本文主要关注于如何设计字典学习模型,学习得到判别性字典,最终实现更好的组织病理图像分类性能。本文的主要工作如下:(1)针对组织病理图像分类中样本特征之间具有高度相关性的问题,本文提出一种基于低秩约束的判别性字典学习(Discriminative dictionary learning with low-rank constraint,LRCDDL)算法,并用于实现组织病理图像分类。与传统算法仅仅关注稀疏编码的低秩性不同,LRCDDL算法不仅同时优化了子字典对同类和非同类训练样本的重构性能,而且对类独有的子字典增加了低秩约束项。这一策略可以降低类独有字典的原子之间的相关性,促进原子之间相互独立,从而学习出结构更紧凑的判别性字典。在ADL和BreaKHis数据集进行的实验结果表明,与现有算法相比较,LRCDDL算法具有更高的分类精度。(2)上述提出的LRCDDL算法虽然在组织病理图像的分类上取得了一定的效果,然而,该算法在对加噪声的组织病理图像进行分类时,分类效果不佳。针对此问题,本文提出一种基于成对局部约束的判别性字典学习(Discriminative dictionary learning with pairwise local constraints,PLCDDL)算法。与大部分直接利用训练样本构造拉普拉斯矩阵的算法不同,PLCDDL算法利用类独有字典训练得到一对拉普拉斯矩阵。这一策略一方面可以减少组织病理图像中异常数据及噪声对图像分类结果的影响,增强学习字典的鲁棒性,另一方面可随字典更新而自适应地更新拉普拉斯矩阵。此外,利用拉普拉斯矩阵构造的成对局部约束项,可以增强同类编码系数的相似性以及非同类编码系数的差异性,提高学习字典的判别性。因此,PLCDDL算法可学习出一个高质量的判别性字典。最后,在ADL和BreaKHis数据集上进行了实验,验证了PLCDDL算法优越的分类性能。