进化规划(Evolutionary Programming, EP)作为最早出现的进化算法分支之一仅以变异作为产生子代个体的方式,操作简单,易于并行实现,具有全局搜索能力强、待设定参数少、收敛速度快等优点。但是尽管如此,该算法仍有一些不足,如单一变异算子可能导致算法后期搜索效率低下、对初始参数敏感以及算法“勘探”能力强但“开发”能力不足等问题,因此非常值得进一步研究。目前进化规划在电力系统、树型网络设计、无线电通信系统等领域都取得了丰硕的成果,但对于其在图像处理领域中的应用,研究者较少。因此,本文将进化规划算法应用到图像稀疏分解中,利用进化规划的优良特性来搜索最优原子,以快速实现对图像的最优逼近,不但较好地解决了图像稀疏分解中计算复杂度高的问题,同时也拓展了进化规划的应用领域,具有很重要的实际意义。论文的主要工作及研究成果如下：1、将进化规划用于图像稀疏分解中并进行仿真实验,实验结果表明该方法能在较短时间内以较少的原子个数实现图像的最优逼近,达到图像稀疏分解的目的,证实该算法是有效可行的。随后对进化规划在图像稀疏分解中的三个主要参数(种群大小、进化代数和原子个数)分别进行实验分析和探讨,为本文进一步研究中的参数选择提供参考。2、将五种常见的进化规划算法用于图像稀疏分解中,并进行对比实验,实验结果表明性能比较优越的三种算法在图像稀疏分解的前中后期表现各有优劣,根据此特点给出一种改进进化规划算法——带混合策略的双层进化规划。该算法在图像稀疏分解的不同阶段选用不同的EP算法,并且针对EP“开发”能力不足的问题在每次迭代后产生的最优原子邻域中再进行内层进化规划,最后通过实验证明该算法能更加快速有效的实现图像稀疏分解,具有可行性与有效性。3、为了进一步使进化规划在“开发”与“勘探”之间取得平衡,本文将差分进化算法引入到进化规划中,给出一种基于差分进化算法和进化规划的混合搜索算法,随后将其用于图像稀疏分解中,并与传统进化规划、差分进化算法以及前文给出改进进化规划进行对比实验,证明该算法能够更快速地实现图像稀疏分解,更加有效地得到图像的稀疏表示,进一步提高了算法性能。