模式识别技术在许多重要领域都有着十分广泛的应用，其目的就是使用计算机将某一类具体的事物进行正确的归类。本文提出了一种基于稀疏变换的分类算法，并研究了在处理敏感(私人)数据或没有融合中心等情况下，该算法在传感器网络中的分布式求解。　　本文的主要贡献如下：　　Ⅰ)在传感器网络环境中提出一种新的识别方法用以训练分类器，其中每个网络节点均能够通过完成一些本地计算，通信和存储操作处理自己的数据，以提取有用的信息。并且，他们可以通过与邻居的合作找到全局最优(或近似最优)的解决方案；　　Ⅱ)将稀疏变换与分类算法相结合，形成一个统一的目标函数；　　Ⅲ)构建虚拟的类中心来增强分类器的分类效果，使得经过变换后的稀疏系数向量能够更接近本类中心，而远离其他类的类中心；　　Ⅳ)我们把分布式变换矩阵求解问题转换为具有一致性约束的子问题，该问题可以在网络环境下通过本地计算及交替方向乘子法(ADMM)的信息通信能力解决。最后，实验结果表明，该算法是一种有效的针对分布式数据的分类算法，适用于传感器网络环境。