图像识别是当今人工智能领域的研究热点之一。其核心算法目标在于如何使计算机可以像人类一样从图像数据集中提取有效视觉特征信息并快速识别其具体类别,这也是图像识别应用所面临的最迫切艰难且最重要的问题。本文以字典学习和结构化表示学习为理论基础,旨在解决数据的小样本问题、增强识别模型的判别性并提高识别效率,提出了一系列学习模型并应用于多个图像识别任务。经过大量实验证明,所提出的三种算法在一定程度上实现了识别精度与速度的双重提升,提高了图像识别系统性能。具体来讲,本论文的主要研究内容介绍如下。针对数据空频域的差异性和传统字典学习方法存在的不足,提出了一种基于空频域协同表示的联合字典学习方法。该方法同时考虑了数据集的固有空间域和傅立叶变换后的频率域,并提供了数据域互补和分类算法互补的两个关键性互补策略。该方法对原始数据集和傅立叶变换后的数据集进行字典学习,使得数据在空间域和频率域上具有互补性,并将字典学习和协同表示结合起来进行分类。所提出的方法具有两方面的互补性,提高了字典学习的判别能力。针对具有几何对称特性的图像预处理问题和数据的小样本问题,提出了一种基于虚拟样本的复合字典学习方法。该方法根据图像的几何结构对称性特点,自动高效地生成新的虚拟图像样本以扩充数据集并为识别提供了更多的信息。此外,该方法采用自适应加权融合策略将原始字典与虚拟字典结合构造基于复合字典学习的分类模型,自适应权值可很好地抵消虚拟样本生成过程中像素交换的随机性。在多个不同公开人脸数据集上进行实验,验证了该方法的可行性与有效性。针对传统最小二乘回归方法的判别性不足问题,提出了一种带有自适应图结构的判别最小二乘回归方法。该方法构造了一种自适应概率图结构以增强数据的紧凑性和判别性,并保证了在映射子空间中充分挖掘样本的内在结构。此外,本文设计了一种有效的求解优化算法,并从理论和实验两个角度阐述了所设计的优化问题。在人脸识别、字符分类、物体识别和场景分类等六个数据集上对该方法进行了评价,对比各种基于分类的算法验证了所提出方法具有更好的识别性能。