1、圖像表示問題是圖像檢索、物體識別等圖像分類任務首要解決的基本問題，圖像表示模型的性能對圖像分類算法的性能有著決定性影響。詞袋模型(BagofWords)是目前廣泛使用的一個圖像表示模型，對平移、旋轉、縮放等幾何變換具有良好的魯棒性，在圖像檢索、物體識別等圖像分類應用中取得了巨大的成功。特征量化是詞袋模型的一個核心步驟，對詞袋模型的性能有著關鍵性影響。但是，現(xiàn)有特征量化方法假設局部特征之間是相互獨立的，忽略了局部特征之間的相互聯(lián)系，從而降

2、低了詞袋模型的性能。
　　 針對該問題，本文嘗試利用先進的高維數(shù)據(jù)分析技術（稀疏表示和矩陣低秩恢復）來挖掘局部特征相互聯(lián)系（用圖來表示），并將其引入到特征量化過程，旨在提高詞袋模型的表達能力，進而提高圖像分類算法的性能。
　　 論文的主要研究內容和創(chuàng)新之處包括：
　　 1．提出了一種新的結構性稀疏圖構建算法。該算法將圖中單個數(shù)據(jù)對應的權重系數(shù)設定為一組，通過組內使用2范式約束（增加表示準確度），組間使用1范式約束

3、（獲取自適應稀疏圖）的方式，構建結構性稀疏圖e2,1圖。該圖繼承了e1圖能夠自適應的獲取稀疏圖的優(yōu)點，并且通過添加數(shù)據(jù)之間的相互約束，克服了現(xiàn)有算法只是針對單個數(shù)據(jù)迸行孤立表示的情況。實驗結果表明，所構建的結構性稀疏圖能夠更加全面地反映數(shù)據(jù)之間的信息，特別是在樣本標注率低、樣本信息相對較少的情況下，該圖所反映出的數(shù)據(jù)信息能夠有效地提升數(shù)據(jù)降維和分類的效果。
　　 2．提出了一個全新的非負低秩稀疏圖(Non-NegativeLow

4、-rankandSparseGraph，NNLRS-graph)構建算法。利用低秩和稀疏的約束能夠有效把握數(shù)據(jù)的整體和局部信息的性質，通過對圖構建的權重同時進行低秩和稀疏約束，構建更能反映數(shù)據(jù)關系的非負權重圖。因此，獲得的NNLRS圖能夠同時反映子空間結構和局部的線性結構，同時具有了生成性和區(qū)分性。在半監(jiān)督學習框架之下，分別針對半監(jiān)督分類和半監(jiān)督判別分析的方法進行了構建圖的比較，實驗結果也證實了基于本文構建算法的構建圖的有效性。