Biểu diễn hạng thấp (LRR) đóng một vai trò quan trọng trong các nhiệm vụ phân loại hình ảnh do khả năng nắm bắt cấu trúc cơ bản và các biến thể trong dữ liệu hình ảnh. Tuy nhiên, các phương pháp học từ điển dựa trên biểu diễn hạng thấp thường gặp khó khăn trong việc tận dụng thông tin phân biệt trong hình ảnh một cách hiệu quả. Để giải quyết vấn đề này, chúng tôi đề xuất một phương pháp học từ điển không mạch lạc với ràng buộc cục bộ trong đại diện hạng thấp (LCLRR-IDL) để phân loại hình ảnh. Đầu tiên, chúng tôi giới thiệu cách biểu diễn hạng thấp để xử lý nhiễu trong dữ liệu huấn luyện và kiểm tra. Thứ hai, chúng tôi kết hợp ràng buộc cục bộ để nhận biết cấu trúc đa dạng nội tại của dữ liệu huấn luyện, đảm bảo các mẫu tương tự có cách biểu diễn tương tự nhau. Thứ ba, chúng tôi huấn luyện một từ điển không mạch lạc nhỏ gọn với các ràng buộc cục bộ trong biểu diễn hạng thấp để phân loại hình ảnh. Kết quả thử nghiệm trên cơ sở dữ liệu tiêu chuẩn đã xác nhận tính hiệu quả của phương pháp đề xuất.Low-rank representation (LRR) plays a significant role in image classification tasks due to its ability to capture the underlying structure and variations in image data. However, traditional low-rank representation-based dictionary learning methods struggle to leverage discriminative information effectively. To tackle this issue, we propose an incoherent dictionary learning approach with locality-constrained low-rank representation (LCLRR-IDL) for image classification. Firstly, we introduce low-rank representation to handle potential data contamination in both training and test sets. Secondly, we integrate a locality constraint to recognize the intrinsic structure of the training data, ensuring similar samples have similar representations. Thirdly, we develop a compact incoherent dictionary with local constraints in the low-rank representation to classify images, even in the presence of corruption. Experimental results on public databases validate the effectiveness of our approach.