图像识别技术作为模式识别领域的一个重要方向,是未来社会向智能化发展的重要技术,广泛应用于医学和公共安全等领域。近年来,随着机器学习和计算机视觉研究的兴起,高维数据的稀疏表示成为了众多研究人员的研究热点,而基于稀疏表示的图像分类识别方法也因为其优异的性能获得了广泛的关注。本文在总结和分析国内外学者的研究成果的基础上,提出了以下两种改进的基于稀疏表示的图像识别方法。1.提出了一种基于深度特征和自适应加权联合稀疏表示的图像目标识别方法。考虑到卷积神经网络的卷积核可以同时提取多种图像特征,能够满足不同图像的识别要求。因此该方法使用卷积神经网络来提取训练样本和测试样本的深度特征,并自适应加权重构特征向量,组成特征集。同时采用主成分分析方法解决重构后深度特征的高维问题。再结合联合稀疏模型,提取训练样本特征集中的公有特征和私有特征,构造联合特征字典。最后基于联合特征字典和稀疏表示分类器对目标进行识别。在人脸图像和遥感图像上的实验表明,该方法具有很高的识别率。2.提出了一种基于混合特征和联合稀疏表示的图像目标识别方法。在实际的应用中,目标图像除了光照、遮挡的影响,还可能存在拉伸变形、歪斜等情况,此时单独使用一种特征进行识别没法达到很好的效果。因为Gabor小波变换能轻易地调整滤波器的方向和频率,所获取的信号特征在时空域和频域上都有较好的分辨能力。因此该方法在深度特征的基础上,引入了 Gabor小波特征。利用混合特征进行识别时,不仅对光照和遮挡有一定的鲁棒性,同时还能提供一定程度上对图像变形和位移的不变性。在该方法中,提取训练图像和测试图像的Gabor小波特征和深度特征两种特征,分别加权重构后组成混合特征集,并采用主成分分析方法对混合特征进行降维。最后,结合联合稀疏模型,利用训练样本特征集构造联合特征字典用于稀疏表示对目标进行识别。通过在不同数据集上的实验表明,该方法具有很高的识别率。