随着传感器和计算机技术的发展,人们见证了信息的超载和数据特征的爆炸式增长。通常这些数据具有数千甚至数十万个维度,严重制约了现实视觉任务的计算效率。为了解决这一问题,学者们提出了许多特征表示方法来挖掘数据中真正有用的信息。本文立足特征表示学习领域,分别围绕子空间学习、多视角学习和小样本学习任务,研究具有更高识别率的分类算法。论文所取得的研究成果如下:首先,针对基于协作图的判别分析（CGDA）没有充分挖掘数据全局几何结构,忽视了类间抑制关系的问题,提出了一种基于完整表示的特征提取与多级子空间投影（Cr FESP）算法。Cr FESP在特征提取阶段提出了抑制表示的概念,将每个样本表示成其余所有不同类别样本的线性组合,并为每个样本构建了基于协作信息和抑制信息的完整表示信息,采用图嵌入框架将样本的局部协作信息加入到类内协作表示方阵,全局抑制信息加入到类间抑制表示方阵中,通过构建图拉普拉斯线性核方阵将特征提取和子空间投影融合成一个统一的框架。同时,针对投影子空间包含的新生成的特征信息和原空间投影后的少量冗余信息,设计了一种多级子空间投影方法,采用迭代求解的策略在子空间中继续挖掘新增特征信息的全局和局部几何结构。为解决完整表示信息随投影子空间层数加深而逐渐减少且会丢失大量有效信息的问题,Cr FESP提出了一种基于多级子空间的跳跃构图方法对子空间中的构图方式进行约束,提高在了在深层子空间中获取数据完整表示信息的稳定性。考虑到上述构图方法的计算效率会随着实际问题规模的增大而逐渐降低,提出了基于多图学习的快速Cr FESP算法（Cr FESP-F）,在计算基于协作表示和抑制表示的完整表示的过程中,引入与之相关的拉普拉斯图,加强了对样本边缘信息的获取能力。为了降低抑制表示计算和多图学习带来的时间复杂度的增加,Cr FESP-F采用类与类之间抑制关系代替Cr FESP中样本与样本之间的抑制关系,提高了算法的计算效率。其次,针对传统的多视角学习方法无法同时考虑多个视角对信息,本文提出了基于特征表示和互相关信息的多视角网络（Mv FRCI-Net）。Mv FRCI-Net将特征表示学习引入到深度多视角网络中,并提出了基于多视角的协作表示的概念,将每个单视角样本数据表示成其余不同类视角的同类样本数据的线性组合。此外,为了增强不同视角之间信息的多样性和互补性,Mv FRCI-Net采用了多种交互信息（多视角协作表示类内散度矩阵和互相关矩阵）对各视角之间的相互关系进行描述,并分别使用一种交互网络提取两种深度交互信息,然后与单视角信息进行特征融合。该方法作为一个统一的框架,同时考虑了多视角信息在单视角、多视角和多视角对中的信息分布。最后,针对传统小样本学习方法采用图像级特征分类存在分类精度不高,特征提取不充分的问题,提出了基于融合特征表示空间深度局部描述子的深度最近邻神经网络（F-FRSD）。该方法将特征表示引入到小样本学习中。针对数据在原始空间存在冗余信息的问题,F-FRSD采用类抑制表示来描述不同类别之间的判别性,并通过图嵌入框架将数据“伪投影”至低维子空间。针对小样本特征稀缺的问题,FFRSD采用类线性核将数据样本映射到高维核空间中来为小样本数据提供更丰富、更灵活的表示。此外,F-FRSD改进了DN4采用“图像-类”度量的训练方式,提出了“特征空间-类”的度量方法,使用可学习的融合特征空间深度局部描述子取代了图像级局部描述子,提升了小样本任务的分类性能。