在传感器网络中,通常由于存在一些敏感性或隐私性数据而使数据不能共享或是数据太大而不能集中在一起进行全面地分析。这篇论文针对分布于不同传感器节点的数据表示问题提出了一种分布式字典学习算法来稀疏的表示这些数据。　　本文的主要贡献如下:　　1)我们将传统的字典学习方法中结合在一‘起的字典更新和稀疏表示系数修改过程分成两个阶段.从而更有利于分布式方法的进行,首先我们用各节点误差相关矩阵的特征值分解来更新字典原子,然后用一个局部映射来更新每个节点的系数；　　2)我们将上述字典更新优化问题解耦成一些具有一致性约束的非集中式予优化问题。然后我们基于对称的无向连通图简化了拉格朗日乘子的更新过程并迭代地求解子优化问题来达到一致性估计；　　3)为了避免尺度缩放问题，我们约束字典原子是列归一化的。我们通过计算最优的拉格朗日乘子来有效的解这个隐凸子优化问题。实验结果证明我们提出的算法是一个非常好的分布式字典学习算法,非常适合分布式网络环境。