图像分类作为计算机视觉和模式识别领域的研究热点,具有重要的应用价值。虽然目前研究人员已经提出了许多分类算法,但是对于类内差异大、类间差异小的细粒度图像,或者在不同的拍摄光照、拍摄角度及不同的季节等条件下获得的图像,如遥感图像,往往会造成分类和识别错误。针对这些特定条件下获取的图像,本文从多尺度视角、多数据视角以及多类别视角出发,基于协同表示和机器学习理论对细粒度图像和遥感图像的表达和分类方法进行了深入研究。论文主要工作如下:1.提出了基于权重空间金字塔匹配协同表示分类算法。首先应用卷积神经网络提取图像特征并引入空间金字塔匹配算法,得到不同尺度的视角特征,然后给每一层特征分配不同的权重,获取具有空间信息的图像特征,作为基于权重空间金字塔匹配协同表示分类算法的输入。在四个遥感数据库上的实验结果表明,基于权重空间金字塔匹配协同表示分类算法明显提高了图像分类性能。2.提出了基于核空间叠加表示分类算法。通过将测试图像表示为类质心的叠加和类内共有的差异两个视角数据来表达识别问题。为进一步获取数据之间的非线性信息,将线性叠加表示分类算法拓展到核空间。在标准图像识别、人脸识别和细粒度识别等五个数据库上获得了更高的图像分类正确率。3.提出了基于核空间概率协同表示分类算法。通过从全局表示和特定类表示两个类别视角改进了传统的基于协同表示分类算法,并将概率协同表示分类算法拓展到核空间,进一步获取视觉特征之间的非线性结构。在手写体数字识别、标准图像识别和人脸识别等几个基准数据集上的实验结果表明,基于核空间概率协同表示分类算法具有良好的分类性能。