1.一种多层鉴别卷积稀疏编码学习方法，其特征在于，包括嵌入鉴别信息模块和构建多层鉴别卷积稀疏编码模块；所述嵌入鉴别信息模块通过在模型中加入保留样本之间结构信息的流型约束或者分类误差项，使得特征表示具有较好的鉴别能力；所述构建多层鉴别卷积稀疏编码模块借鉴卷积神经网络的结构框架，在深度鉴别解析-综合字典学习方法的研究基础上，尝试将单层的鉴别卷积稀疏编码模型推广到多层，构建多层鉴别卷积稀疏编码模型。

2.根据权力要求1所述的一种多层鉴别卷积稀疏编码学习方法，其特征在于，拟建嵌入鉴别信息模块稀疏表示模型：

3.其中，其中，Xi，j表示第i类第j个样本，*表示卷积，字典D包含共性字典原子和类相关字典原子，即 di，j表示第i类第j个字典原子(共性原子表示第0类)， 表示第i类第j个样本第k个字典原子对应的特征映射，f(Z)表示增强模型鉴别能力的约束项；构建该模型的出发点是：不同种类的数据之间不仅存在共性还存在特性；数据间的特性更有利于识别分类任务。

4.根据权力要求2所述的一种多层鉴别卷积稀疏编码学习方法，其特征在于，所述拟建嵌入鉴别信息模块稀疏表示模型有两种解法，第一种是通过Toeplitz矩阵变换，将卷积形式变成矩阵乘积形式；第二种是对图像进行傅里叶变化，在频域空间求解。

5.根据权力要求2所述的一种多层鉴别卷积稀疏编码学习方法，其特征在于，为了进一步提高模型的表示能力，将拟建嵌入鉴别信息模块稀疏表示模型扩展到多层，构建多层鉴别卷积稀疏表示模型；模型的每一层学习一组卷积字典和特征映射；前一层的特征映射作为下一层的输入。