本书聚焦前沿数据表征学习方法和大规模数据分析理论，从多个角度介绍和分析结构化鲁棒数据表征学习的基本概念和模型，涉及多个鲁棒表征学习的基础理论，如稀疏表示、低秩表示、图挖掘、回归分析、隐空间学习、子空间学习、字典学习、深度学习以及非对称表征学习理论等；同时，提供了一系列解决方案来应对真实世界的高效数据分析任务，如聚类、分类、识别、检索、图像恢复、回归预测等。