随着人工智能技术的发展,字典学习已成为机器学习和模式识别领域的一大热点问题。传统地说,字典学习主要分为两类:有监督字典学习和半监督字典学习。前者的分类结果取决于有标签样本的个数;后者未充分利用样本之间内在的结构信息,从而导致其图像分类效果未达到最佳。为了解决以上问题,本硕士论文完成了三项工作:1.在半监督学习框架下,基于原子和对应的稀疏编码构建拉普拉斯图结构并将其嵌入到字典学习框架中,从而提出了一种基于原子图正则化的半监督字典学习算法,使得图拉普拉斯和字典在学习迭代期间相互促进;2.基于以上模型增加一条能够“反馈”来自无标签样本的预测标签信息到字典学习阶段的路径,使得样本的流形结构和无标签样本的预测标签信息都可以被及时地反馈和融入到学习进程中,故称其为自学习的基于原子图正则化的半监督字典学习算法;3.基于前两项工作,通过对原有模型中的稀疏系数矩阵施加非负约束,提出了一种非负自学习的基于原子图正则化的半监督字典学习算法。经过在广泛的数据集上进行实验,并与现有的字典学习算法对比,本文所提出的三种算法都取得了良好的分类效果。