L2,1范数在特征选择、稀疏表示和分类上具有很强的优势。正因为L2,1范数具有一致稀疏的性质，其在很多问题上比线性表示和基于L1范数的稀疏表示具有更好的解释性。本项目围绕运动目标检测和目标识别两大主题展开对一致稀疏和低秩学习理论的分析和研究。项目工作包括三个方面，首先设计了联合L2,1范数的低秩分解模型。该模型在运动目标检测问题上通过对稀疏部分和先验信息同时进行多任务学习，从而获得更好的前景检测结果。其次，在识别问题上，通过引入空间映射思想，建立联合一致稀疏的非对齐目标识别模型，然后提出线性逼近思想获得模型的数值解，从而解决基于L2,1范数的识别方法在数据不对齐情况下性能下降的问题。最后，设计了基于最优特征选择的分类模型，该模型可以在无监督环境下同时对数据进行降维、稀疏表示、联合稀疏特征提取和特征选择，从而在优化过程中选出对分类最有利的特征。综上，项目提出了联合低秩和一致稀疏学习理论与算法、最优特征选择理论与算法，并把一致稀疏学习理论推广到非对齐情况下，形成了扩展的一致稀疏学习理论与算法。相关方法可以应用于运动目标检测和目标识别等问题，并为人们提供重要的数据处理和分析工具。