图像分类技术是图像处理的基础,图像分类准确率的提高对机器视觉领域的发展至关重要。针对目前图像分类准确率不高的问题,通过对稀疏编码的改进和稀疏深度学习模型的建立来寻求一种新的图像分类方法,以提高图像分类准确率。论文取得的主要研究成果如下:1)基于无监督深度空间性特征学习的航拍图像分类方法针对传统稀疏编码方法所提取的图像特征相关性和空间性不强的问题,提出了一种基于无监督深度空间性特征学习算法,该算法将局部方差相似度引入到传统稀疏编码中,对所提取的图像特征进行稀疏表示,以增强图像特征的相关性和空间性,并结合深度置信网络,完成对航拍图像的分类实验。2)基于无监督深度判别性特征学习的航拍图像分类方法为了更好的模拟视觉皮层V1细胞的感受野,提高非负稀疏编码的判别性,提出了一种基于无监督深度判别性特征学习算法,该算法将Fisher判别分析准则引入到非负稀疏编码中,利用Fisher判别分析准则最小化组内方差与组间方差的比值的特点,提高了对图像特征编码的判别性,为提高分类准确率奠定了基础。3)基于稀疏深度置信网络的自然图像分类方法为了增强受限玻尔兹曼机的稀疏性,建立稀疏深度置信网络模型,提出了用双曲正切函数逼近0L范数,并将其作为受限玻尔兹曼机的稀疏惩罚项,构建稀疏深度置信网络模型。通过自然图像分类实验,验证了算法的可行性,并取得了较高的分类准确率。改进稀疏编码算法和稀疏深度神经网络模型能够有效地提取图像的特征,在航拍图像和自然图像方面有着较好的分类效果,为提高图像分类准确率的提高提供了一种新的思路和方法。