随着互联网的飞速发展,模式识别在这个人工智能时代里占据着重要的地位,基于表示的分类（RBC）在近些年成为一种发展前景可观的模式识别分类方法,其中,基于7)₁范数编码的稀疏表示因其独特的稀疏性广受学者的青睐,基于7)₂范数编码的协作表示因其具有封闭形式的解降低了计算量而引起广泛关注。本文研究基于7)₁范数编码和7)₂范数编码的表示分类进行深化研究,并同时考虑局部性约束,进一步引入自适应加权,提出了几种新颖的加权表示方法以提高模式识别的分类性能。本文就改进的加权表示分类方法进行下述的研究工作:（1）考虑LRM中数据的局部性,提出加权两阶段线性重构测度的分类（Weighted Two-Phase Linear Reconstruction Measure-based Classification,WTPLRMC）算法。在WTPLRMC中,第一阶段通过LRM从所有训练样本中确定代表性训练样本,第二阶段使用数据的局部性约束第一阶段中所选代表性训练样本的线性重构系数,这可以通过两个样本之间的相似权重来反映每个测试样本和代表性训练样本。（2）基于表示的分类（RBC）作为线性重构测度（LRM）的表示系数可以很好地用于分类。于是提出两种基于稀疏增强协作表示分类（SA-CRC）的增强的线性重构测度的分类方法。一种是加权增强线性重构测度的分类（Weighted Enhancement Linear Reconstruction Measure-based Classification,WELRMC）算法,它将数据的局部性（加权）引入SA-CRC。另一种是加权两阶段增强线性重构测度的分类（Two-Phase Weighted Enhancement Linear Reconstruction Measure-based Classification,TPWELRMC）算法,该方法将粗略表示和精细表示与SA-CRC的系数增强性结合,并考虑了训练样本与测试样本之间的局部性优势。（3）尽管大多数CRC方法在分类上似乎都是可区分的,但它们未能在基于表示的特征空间中同时发现每个测试样本在不同类别之间的显著区分和正确类别的主要表示。对于基于理想表示的分类,模式区分不同类别之间特定类别的表示应该更加突出,同时,每个测试样本的真实类别应在编码中占显著地位。为了解决此问题,提出基于类均值的加权判别协作表示的分类（Class Mean-based Weighted Discriminative Collaborative Representation for Classification,CMWDCRC）算法。在改进的CMWDCRC模型中,一个判别项是对任何两个类别特定表示对的正则化,其重点在于区分不同类别的特定类别表示之间的区别。另一个旨在竞争性地改进类特定表示以从正确类中获得显性表示的项是类特定表示及其对应类平均向量之间加权距离的约束。由于图像分类受噪声场景的干扰,进一步将设计的具有编码残差的7)₂范数表示保真度的CMWDCRC扩展到具有7)₁范数表示保真度的鲁棒CMWDCRC（R-CMWDCRC）方法。（4）设计并实现基于加权表示分类的图像识别原型系统,通过图像识别系统简单直观的向读者展示所提算法的优越性能,便于读者观察改进算法与其他RBC方法的对比效果。