Los métodos de clasificación basados en representación (RBCM) han recibido recientemente una notable atención en el campo de la clasificación de patrones. Alejándose de los métodos convencionales que dependen de normas -normas, el clasificador basado en representación no negativa (NRC) impone una restricción no negativa en el vector de representación, mejorando así las capacidades de representación de muestras correlacionadas positivamente. Aunque el NRC ha logrado un éxito sustancial, falla en aprovechar completamente la información discriminativa asociada con las muestras de entrenamiento y descuida la restricción de localidad inherente en las relaciones de muestras, limitando así su poder de clasificación. En respuesta a estas limitaciones, presentamos el método de representación no negativa discriminativa con restricción de localidad (LDNR). LDNR extiende el marco del NRC a través de la incorporación de un término de representación competitivo. Reconociendo el papel fundamental desempeñado por las muestras estimadas en el proceso de clasificación, incluimos muestras estimadas que involucran información discriminativa en este término, estableciendo una conexión sólida entre representación y clasificación. Además, asignamos pesos locales distintos a diferentes muestras estimadas, aumentando la capacidad de representación de muestras homogéneas y, en última instancia, elevando el rendimiento del modelo de clasificación. Para validar la efectividad de LDNR, se realizan extensos experimentos comparativos en varios conjuntos de datos de clasificación de patrones. Los hallazgos demuestran la competitividad de nuestro método propuesto.