图像识别在模式匹配、计算机视觉、机器学习等研究领域都是一个热门的研究课题。经过多年的研究发展,图像识别领域已经形成了许多成熟的技术并且被广泛应用到遥感、航拍、车牌识别及监控等各个领域。在复杂的现实世界中,人们拍摄的许多图像都包含着多种维度的信息,比如轮廓,大小,视角,光照条件,场景布局等。如果图像识别主要关注的是对图像中对象的识别,那么图像中的光照、场景等信息就变成了干扰信息。当这些干扰信息太多的情况下,提取图像中的所需的有效特征就变的尤为困难。因此如何才能在提取图像的有效特征时不受干扰信息的影响,就变成了计算机视觉中是一个非常重要的问题。针对上述问题,本文提出了一种多通道下的分层特征提取算法,减轻了干扰信息对图像特征提取的影响,提高了算法识别率。本文的主要工作包括：(1)研究发现现有的字典学习算法K-SVD容易出现过拟合的现象,因此在K-SVD算法中引入相干性参数,降低了学习得到的字典中原子的相关程度,提升了字典的表述能力。实验结果表明,识别率比优化前提高2%-4%,Matlab和C-MEX混合编程的效率是Matlab版的23倍以上(2)分析了当前图像特征提取过程中比较主流的稀疏编码算法,对比匹配追踪算法和正交匹配追踪算法的优劣。然后将卷积网络中的空间金字塔池化应用到稀疏编码中,以降低了计算复杂度。(3)设计了多种通道对图像进行特征提取,即将图像按照不同的尺寸进行分割,每种分割方案(通道)在经过多层的特征提取后得到图像的特征向量。然后对不同通道的特征向量使用线性SVM训练模型,用于识别。实验结果表明,增加多通道并稀疏编码后的结果比别的特征提取算法识别率至少高出4%。