图像表征学习是模式识别、机器学习等领域中重要的研究内容,也是计算机视觉和多媒体处理系统中最基本的结构单元,特征的性能直接影响后续信息处理进程。传统的机器学习面对海量、高维、结构复杂的图像数据时,效果通常不能令人满意。稀疏模型和低秩模型,由于可以有效揭示数据潜在的结构特性,提高数据的处理效率及有效性,近年来在各个领域广受欢迎。受此启发,本文旨在挖掘数据结构特性,构建稀疏和低秩模型,同时使用结构化约束来增强模型的学习效率和鲁棒性,并最终应用于人脸、生物基因和雷达图像的表征学习与分类任务中。论文的主要工作和创新点如下:1.经典稀疏表示模型应用于分类任务时往往需要:(1)l0范数或l1范数来确保其稀疏性;(2)一系列正则化运算用于提高其判别性,这两种操作通常计算量比较大,特别是当训练样本数量较大时,任务尤巨。但在实际场景中,及时高效的分类模型才更具有应用价值。为了解决这个问题,第三章提出了一种用于快速SAR 图像分类的判别式学习方法,该方法构造了一个有效的特征模型,以简单的l1,∞球为约束,取代计算复杂的稀疏编码;同时学习合成字典和分析字典两个字典,增强模型判别性;构建非线性算子进一步挖掘数据的非线性信息。在MSTAR数据库和人脸图像数据集上的实验结果表明,与同类型方法相比,该方法不仅能取得较高的识别率,而且识别时间更短;2.针对现有的无监督特征选择算法不能有效挖掘数据的结构特性这一问题,第四章提出了在无监督特征选择过程中引入稀疏和低秩约束;利用l2,1范数对离群值的抗干扰性,提高模型的鲁棒性;且与现有的仅通过核函数构造局部相似矩阵的算法不同,该方法在特征选择的过程中同时学习了一个相似矩阵,利用子空间聚类挖掘数据的子空间结构,最终指导特征的选择。在7个数据集上的实验结果表明,与同类方法相比,本文方法能够选择出更具有判别性的特征,从而能取得较高的分类准确率。3.低秩表示反映数据间的相关性,属于全局性约束,但是缺乏对数据局部特性的描述,且不能有效挖掘数据的判别性信息;另外,经典的子空间学习方法往往忽略了对数据标签的有效利用。针对这些问题,第五章提出了 一种带有局部约束的块对角低秩表示半监督子空间学习方法。该方法构造一个块对角结构图来反映数据间的临近关系;在低秩表示中引入局部约束,用来挖掘数据的局部结构特性;利用训练样本的标签信息来指导图的构建,然后利用学习到的图来指导无标签数据的分类。在6个人脸数据集上的实验结果表明,与同类方法相比,本文方法能取得更高的分类准确率,从而验证了本文方法的有效性。