图像处理,作为计算机视觉的主要挑战之一,其最终目标是更好的理解自然图像。理解自然图像的研究极大的促进了稀疏编码理论的发展,在引入了字典训练和稀疏表示后,图像处理取得了巨大的成功。在字典训练角度,利用过完备字典的每个基线性表示表示一幅图像,稀疏表示就是寻找最紧凑的基的系数向量的一个过程。过完备字典的生成有两种方式：一种是随机抽取训练样本作为字典的基；一种是通过稀疏学习模型获得过完备字典。前者通常应用于人脸识别,后者更广泛的应用在自然图像分类。离线字典学习必须限制训练样本个数,否则会造成计算机内存溢出,间接影响分类性能。本文提出了一种在线字典训练算法,利用重构误差更新当前字典,大大提高了学习效率并实现了样本的实时处理。在线学习是把双刃剑,在提高效率的同时降低了测试样本的分类正确率,为此,本文提出了一种新的区域小波幅度相位加权描述子(Local Gabor Magnitude Weighted Phase, LGMWP)并结合SIFT描述子训练基于两种特征的双字典,实验显示经过双字典编码的稀疏表示能获得优于离线学习的分类性能。在稀疏表示的角度,随着稀疏字典学习算法的成熟,学者们将注意力转向了对类间差异性的研究以及字典和分类器相结合的模型学习,基于对最新算法的分析,发现现有算法没有充分利用每类的重构误差,它携带了大量差异性和标签信息,对分类性能有举足轻重的作用。因此本文又提出了两种加权差异性稀疏表示,充分利用了类间差异性和类间结构对图像表示的影响,实验证明,加权差异性稀疏表示的分类正确率高于现有算法。