随着大数据时代的到来,数据具有特征维度高、数据规模大、非线性可分等特点。为了解决这些问题,本文在字典学习和核方法的基础上对图像分类问题进行了深入的研究。利用字典学习、稀疏表示理论不仅可以提取数据的内在结构,还有降维的效果;利用核技术则可以解决数据的线性不可分问题。具体工作如下:1)对稀疏编码理论、字典学习理论和核方法理论进行深入的研究。在这些理论的基础上,对核字典学习理论进行阐述,并分析其算法复杂度。2)为了解决原始数据特征维度过高和数据线性不可分的问题,本文在字典学习和稀疏表示的基础上,提出一种结合核字典学习和线性鉴别分析的目标识别算法。首先学习核字典并通过该核字典获取目标图像的稀疏表示,挖掘数据的内部结构;其次为了加强稀疏表示的可分性,采用线性鉴别分析来处理;单源和多源图像识别的实验结果表明,基于核字典学习与鉴别分析的算法在图像分类上具有更优越的性能。3)在核字典学习的基础上,研究多核字典学习算法,通过多核学习算法来代替人工选择核函数。核字典学习算法通过学习多个基础核函数之间线性组合的系数,学习出最优的组合核函数,并用于字典学习算法中。实验结果验证了多核字典学习算法的图像分类性能优于单核字典学习算法。