Cada clasificador de representación dispersa tiene una precisión de clasificación diferente para diferentes muestras. Es difícil lograr un buen rendimiento con un solo modelo de clasificación de características. Con el fin de equilibrar la información a gran escala y las características globales de las imágenes, en este artículo se propone un método robusto de aprendizaje de diccionario basado en la representación multi-vectorial de imágenes. Primero, este método propuesto genera una imagen virtual razonable para la imagen original y obtiene la representación multi-vectorial de todas las imágenes. En segundo lugar, se utiliza el mismo algoritmo de aprendizaje de diccionario para cada representación vectorial para obtener múltiples conjuntos de características de imagen. La representación multi-vectorial propuesta puede proporcionar una buena comprensión global del contorno de la imagen completa y aumentar el contenido del aprendizaje de diccionario. Por último, se utiliza un algoritmo de fusión ponderado para clasificar las muestras de prueba. La introducción de factores influyentes y el ajuste automático de los pesos de cada clasificador en los resultados de decisión final tienen un efecto indígena significativo en la mejor extracción de características de imagen. El estudio realizó experimentos sobre el algoritmo propuesto en una serie de bases de datos de imágenes ampliamente utilizadas. Un gran número de resultados experimentales muestran que mejora efectivamente la precisión de la clasificación de imágenes. Al mismo tiempo, excavar y explotar completamente la posible diversidad de representación podría ser una mejor manera de llevar a posibles apariencias variadas y alta precisión de clasificación en relación con la imagen.