随着数字信息时代的到来和计算机多媒体技术的发展,各种图像数据量急剧增加。每天都会产生数以万计的图像,这就产生了图像分类的必要性。许多计算机视觉任务的目标是从视觉数据中估计分类属性,例如场景中特定对象是否存在,还有比如在自动驾驶车辆的情况下,关键任务之一是准确识别汽车,交通标志和行人。因此图像分类面临的挑战是极大的。因为图像分类的广泛应用,使得它在视觉领域迅速发展。稀疏编码的提出得到了广泛的认同和应用。本文的主要研究成果分为以下几个方面:（1）针对稀疏编码方法对图像特征相关性的缺失,在稀疏编码方法中加入了拉普拉斯正则化对局部特征进行编码,使得相似的特征具有相似的稀疏编码,该方法通过放宽矢量量化的限制性基数约束来推导出来。然后将特征和字典映射到高维空间,选择核拉普拉斯稀疏编码来导出图像表示。第一,与矢量量化编码相比,由于限制性较小的限制,稀疏编码可以实现更低的重构误差;第二,通过最大值池化方法,对图像的稀疏编码进行统计,保留了图像的显著特性;第三,利用稀疏编码来表示图像,符合图像稀疏的本质特性。（2）在稀疏编码中,对于特征的空间信息存在缺失,本文利用一种平均区域划分的方法对图像进行平均分块处理,然后在利用最大值融合将编码后的特征向量进行融合。与空间金字塔的直方图构造相似,这样做最大汇总在为图像构建的平均区域上。通过对图像进行平均划分,然后做最大汇总,汇总的特征对于局部变换比在直方图中的平均统计更加鲁棒。本文的整体结构基于核拉普拉斯稀疏编码的算法。然后将来自各个位置汇集的特征连接起来形成图像的最终表示。（3）在分类精度方面,使用基于SIFT描述符的核拉普拉斯稀疏编码平均区域划分的方法显著优于直方图上的线性空间金字塔匹配内核,甚至比非线性金字塔匹配内核更好。通过使用单一类型的描述符,在不同条件下进行的实验。线性内核支持向量机具有更快的训练和测试速度,与非线性相比,显著减少了需求内核。