La codificación dispersa tradicional ha demostrado ser un método efectivo para la representación de características de imágenes en los últimos años, arrojando resultados prometedores en la clasificación de imágenes. Sin embargo, enfrenta varios desafíos, como la sensibilidad a las variaciones de características, la inestabilidad del código y medidas de distancia inadecuadas. Además, la representación e clasificación de imágenes a menudo operan de forma independiente, lo que potencialmente resulta en la pérdida de relaciones semánticas. Para abordar estos problemas, se propone un nuevo método, llamado Codificación dispersa local de Laplaciano no negativo basada en la intersección de histogramas e información semántica (HS-NLLSC) para la clasificación de imágenes. Este método integra la No negatividad y la Localidad en la optimización de Laplaciano Sparse Coding (NLLSC), mejorando la estabilidad del código y asegurando que características similares se codifiquen en palabras de código similares. Además, se introduce la intersección de histogramas para redefinir la distancia entre vectores de características y libros de códigos, preservando efectivamente su similitud. Al considerar de manera integral tanto los procesos de representación como de clasificación de imágenes, se retiene más información semántica, lo que conduce a una representación de imágenes más efectiva. Finalmente, se emplea una Máquina de Soporte Vectorial (SVM) lineal multiclase para la clasificación de imágenes. Los resultados experimentales en cuatro conjuntos de datos de imágenes estándar y tres marítimos demuestran un rendimiento superior en comparación con los seis algoritmos anteriores. Específicamente, la precisión de clasificación de nuestro enfoque mejoró entre un 5% y un 19% en comparación con los seis métodos anteriores. Esta investigación proporciona información valiosa para varios interesados en la selección del método más adecuado para circunstancias específicas.