稀疏学习（sparse learning），理学-计算机科学技术-人工智能-机器学习-特征学习-特征选择，能得到稀疏模型的机器学习范式。一个模型是稀疏的，是指模型的参数是稀疏的，即模型参数中的元素大部分为0。为了得到稀疏模型，常用的方法是对模型参数采用1-范数来约束或者正则化。稀疏学习常用于线性模型，如果要用于非线性模型，一种常用的方式是基于非线性特征变换。稀疏学习的主要作用是用来进行特征选择以利于模型的解释，同时也可以用来降低模型的复杂度以增强模型的泛化能力。稀疏学习已经被广泛应用于信号处理、计算机视觉和模式识别等领域。 稀疏学习的代表模型之一是Lasso（least absolute shrinkage and selection operator），Lasso是平方损失函数加上模型参数的1-范数作为正则项。除了Lasso，将不同的损失函数加上模型参数的1-范数，能得到不同的稀疏学习模型。早期的稀疏学习模型（例如Lasso）中，1-范数作用于整个参数向量（或者参数矩阵）。后期出现了不同的变种，这些变种常被称为结构稀疏学习。常用的结构稀疏学习包括融合Lasso和组稀疏学习。