随着数据表示形式的日益多样化,如何有效挖掘和利用数据多个视角的信息进行更加准确的分类受到了越来越多研究者的关注。字典学习作为一种高效的表示学习技术被广泛应用于单视角和多视角识别中,但现如今多数单视角字典学习和多视角字典学习算法均是利用一种类型的字典(合成型字典或者解析型字典)。因此本文利用字典对学习框架,分别围绕单视角和多视角识别任务,研究具有更优识别性能的分类算法。所取得的研究成果如下:首先,针对传统的字典对学习方法(DPL)没有考虑到将字典学习与分类器学习整合到一起以及没有考虑到合成型字典的判别性这两个不足之处,提出了一种基于标签嵌入和低秩约束的判别字典对学习方法(LELR-D2PL)。通过对合成型字典同时进行费舍尔判别约束和低秩约束,使得不同类别的合成型字典原子具有高度的差异性并使整体合成型字典可以从噪声数据中学到良好的稀疏表达,同时采用合成型字典原子的标签构造约束,使不同类别的编码系数具有明显的结构差异性;针对分类器学习,LELR-D2PL采用间隔化策略自适应学习回归目标,在保证分类器判别性的同时又确保了学习的灵活度。在AR、Caltech101等多个数据集上的实验结果充分说明了 LELR-D2PL与传统的字典学习方法相比具有更加优秀的分类性能。其次,针对当前多视角字典学习算法未能充分利用多视角数据的多样性信息和相关性信息的问题,提出了两种采用不同融合方式的多视角字典对学习方法,分别为基于块对角表示的多视角字典对学习方法(BDR-MVDPL)和基于标签嵌入和低秩约束的多视角字典对学习方法(LELR-MVDPL)。这两种方法均通过字典对来得到每种视角数据的判别编码系数。结合多视角数据共享标签这一相关特性,BDR-MVDPL采取特征融合的方式,将不同视角的编码系数进行串联,并将串联后的编码系数回归到对应的标签向量上,这样既利用多视角数据的多样信息又考虑到多视角数据相关性;LELR-MVDPL采用决策层融合的方式,在各个视角内部进行分类器学习,充分利用多视角数据多样性信息进行对应视角内部的决策,然后通过综合所有视角的决策意见进行最终的类别预测。我们在多个公开数据集对所提算法进行了分类性能测试,实验结果充分说明所提算法可以有效提高分类准确率。最后,本文针对多视角人体行为识别,以LELR-D2PL为基本框架,采用决策层融合的方式,提出了基于标签嵌入和低秩约束的多视角判别字典对学习方法(LELR-MVD2PL),相应的实验结果表明该方法可以有效处理多视角人体行为识别问题。