图像分类是模式识别和计算机视觉领域中重要的研究内容之一。对图像分类的研究可以促进网络图像检索、视频监控和图像场景理解等实际应用的发展。图像分类既有静态图像分类,也有动态图像分类。静态图像分类含人脸识别、场景图像分类和图像目标识别等,动态图像分类指视频内容分类。图像分类的精度不仅受提取的特征影响,而且还取决于其采用的分类算法。基于稀疏表示的分类算法（SRC）在人脸识别领域的成功应用,引起了大量从事图像分类研究人员的关注。随着对SRC算法研究的深入,人们意识到字典在其中起着关键性的作用。本论文研究基于字典学习的图像分类。为达到将字典学习方法应用于图像分类系统提高其分类精度的目的,除可通过提升字典本身的判别性外,还可通过将字典学习方法与已有模式识别技术相结合,如特征提取、降维技术和分类器技术等。此外,提高字典学习的计算速度也是亟待解决的问题。本文的主要创新点如下:（1）提出了基于稀疏表示的监督的类特别字典学习（SCSDL）模型。在SCSDL模型中,除表示约束项外,本文提出了系数相异性约束项用于增强学习出字典的判别性。执行分类时,因本文提出的系数相异性约束项在SCSDL模型中的作用,使得重建误差与稀疏系数都具判别性,因此本文提出了一种新的分类机制执行分类。在人脸数据集、场景数据集和图像目标数据集上取得了较高的的分类精度。（2）提出了基于稀疏表示的同时降维和字典学习（SDRDL）模型,将降维投影矩阵和字典学习融合在一个学习框架下。已有的字典学习算法,往往将降维与字典学习分割成两个独立的过程,这样的方式下学习获得的降维投影矩阵与字典并不适配。SDRDL模型学习获得的投影降维矩阵与字典彼此适配,更适合分类任务。SDRDL在人脸数据集和图像目标数据集上的识别结果,优于当今流行的字典学习算法。（3）针对SDRDL模型计算开销过高的问题,提出了基于协同表示的判别性降维投影与字典对学习（DDRPDPL）模型。尽管SRC算法在人脸识别领域取得了巨大成功,而近来的研究提出了基于l2-范数的协同表示分类（CRC）算法。与SRC相比,CRC能得到效率较高的解析解。因此,DDRPDPL模型在更新字典过程中,求解表示系数时,由于采用了基于l2-范数的协同表示,能够直接得到计算效率较高的解析解。实验结果表明,DDRPDPL在图像分类任务上与SDRDL相比,其分类精度相差无几,而计算开销大大减少。（4）提出了支持向量机多类损失驱动的字典学习（SMLDDL）模型。SMLDDL模型学习字典的同时用表示系数学习一个多类支持向量机组,而后支持向量机组通过本文设计的多类损失函数项驱动了字典的学习。因此,SMLDDL可同时学习获得字典与多类支持向量机组。要将SMLDDL模型应用于视频环境下的动作识别,必须提取视频动作特征,为此本文提出了运动改进的Weber特征（MotIWLD）来描述视频动作。SMLDDL模型利用MotIWLD学习一个字典和一个多类支持向量机组,对用MotIWLD特征描述的视频动作进行分类。实验结果证明了本文提出的方法在人脸数据集、场景数据集、图像目标数据集和视频动作数据集上的分类精度优于当今一些流行的方法。