在稀疏表示理论中,对于给定的一组训练信号,为了实现信号的稀疏表示,使用一个包含信号信息的过完备字典,信号则可以由少量的字典原子的线性组合表示。过完备字典可以通过预定义的固定基产生,也可以通过某种算法学习得到。固定基字典不能自适应表示信号的结构特征。学习型字典能够根据训练样本自适应的构造基函数,能更加准确地提取信号的结构特征,而且其稀疏重构误差小于固定基字典,是近年来的研究热点。论文在研究了基于KSVD字典学习算法的基础上,为了提高字典训练速度与性能,提出一种ALM-KSVD字典学习算法,在稀疏编码引入增广拉格朗日乘子法(ALM,Augmented Lagrange Multipliers)求解,更新字典则使用经典K-SVD的字典更新算法。通过稀疏编码和字典更新两步迭代学习得到自适应字典。为考察算法的字典训练速度和平均表示误差(RMSE),选取了不同样本数和噪声标准进行数据合成实验,结果表明本文算法比经典的K-SVD算法字典训练速度快、RMSE低。为进一步考察算法的图像去噪能力,选取不同的输入图像噪声标准和字典原子数进行仿真,实验结果表明本文算法比经典的K-SVD算法获得更高的峰值信噪比(PSNR),具有良好的去噪性能。