图像作为人类认知、理解外界环境的主要信息来源，并作为最重要的资源之一，始终是人类研究与探索的重要目标。对于图像处理技术的研究从理论以及应用实践方面，都具有十分悠久的历史，并随着人类科学研究、科学技术的发展而持续地进步着。稀疏表示理论作为近年来备受关注、广受研究的学术理论，在各个实际应用领域崭露头角。本文在稀疏表示理论的背景环境下，重点研究了基于残差滤波与局部字典滤波的全局字典学习方法，并将全局学习字典应用到图像去噪、分类等重要研究领域。提出了针对具有乘性斑点噪声的SAR图像字典学习去噪算法以及基于特征提取和稀疏表示的SAR图像字典学习分类算法，均取得了较好的效果。本文所做工作可以分为以下两个部分：　　（1）基于加权的K-SVD算法以及非局部联合稀疏模型，通过引入残差滤波的概念，提出了一种新的建立在非局部稀疏模型与残差滤波上的SAR图像字典学习算法，优化了加权K-SVD算法对SAR图像斑点噪声进行处理时容易受到斑点噪声干扰、字典学习不充分的缺陷。通过具体的实验验证了新方法对于字典学习的有效提升，并与当前效果较好的数种算法进行去噪、分类效果比较。　　（2）提出了基于SVD字典的残差滤波方法，通过建立相似集合的主邻域字典，起到联系相似集合与其对应残差集合的作用，借助两者之间的相关性利用主邻域字典进行更为彻底的残差滤波，提出了基于改进的SVD字典残差滤波的SAR图像字典学习算法，实验证明在斑点噪声较为强烈、地物目标比较复杂的SAR图像中该算法具有较好的去噪效果，同时利用该算法学习得到的字典在基于字典的SAR图像分类应用中取得了较好的效果。