随着信息技术的发展,我们进入了大数据时代,每天都有大量的图像、视频数据产生。这些数据不仅体量大,往往还是高维度的。众所周知,高维数据会带来维数灾难,使得处理变得困难。幸运的是,利用高维数据的结构特性,可以有效的处理这些数据,并从中得到更有用的信息。近年来,随着稀疏表示与压缩感知理论的发展,利用稀疏特性进行建模分析,成为对大体量、高维度数据的一种行之有效的处理方法。一般地,对于一个向量,用L0范数描述其稀疏性,而在矩阵中,则一般用矩阵的秩作为稀疏性度量,这便是低秩模型。本文对稀疏表示以及基于低秩的模型在图像处理领域的应用进行了研究,介绍了稀疏表示分类器,基于稀疏表示的图像复原,以及低秩模型对静态场景背景建模等问题,并重点研究了基于稀疏表示与低秩分解的批量图像对齐方法。利用在高维图像数据集中存在相似度较高的同类图像数据,对待处理问题进行建模,引入低秩与稀疏性的约束,并由此推导出相应的优化过程,进行优化问题的求解。在求解过程中,为了规避NP难问题,采用了凸松弛技术将优化问题转换为凸优化问题,并利用已有的成熟的凸优化算法求解。此外,基于稀疏表示与低秩模型的方法在图像处理问题中可以将光照影响、部分遮挡、损坏等因素当成稀疏误差进行剔除,因此,在实际场景应用中,更具鲁棒性。对于批量图像对齐问题的研究,本文引入了联合子空间模型。该问题的关键在于找到一组空间变换使图像对齐。本文提出了将批量图像映射到一组联合子空间的方法,并通过迭代地线性化与交替的稀疏追踪求得最佳变换参数,实现了图像的对齐。通过在多种不同类型图像上的实验,包括人脸,视频帧以及手写数字等,证明了本文提出的方法的有效性与鲁棒性。此外,基于信号的峰值信噪比与结构相似性度量指标的对比评价,说明了本文提出的方法相较于现有方法具有更佳的性能。