人脸识别技术是图像处理、模式识别、人工智能等领域内最热门的研究课题之一,由于人脸识别具有非接触式操作、隐秘性、唯一性、可靠性等优点,使得人脸识别在人工智能领域占有极其重要的位置。一个完整的人脸识别过程有：图像的获取、图像预处理、人脸的检测与定位、人脸的特征提取和分类器的设计。而其中最重要的两个步骤是特征提取和分类器的设计。传统的人脸识别算法由于计算量大、鲁棒性低等使现有的人脸识别算法在实际的应用中受到制约。与此同时,稀疏表达算法由于其具有高稀疏性、鲁棒性强等优势受到越来越多的关注。稀疏表达就是用最小的信号量表达最多的信息量,这样就可以在保证所需信息的基础上大大降低数据的处理量,提高运算的效率,而且稀疏表达在分类识别中的优势是其他算法不具备的。本文主要是结合稀疏表达算法对特征提取和分类器两个方面进行研究：(1)特征提取：特征提取的作用是对图像进行降维和提取图像的类别信息。本文提出的稀疏主成分分析算法(SPCA)是对主成分分析算法的一种改进,它在主成分分析的回归准则函数中附加了惩罚项L1,从而为后面的分类器设计提供基础。利用SPCA算法对人脸图像进行特征提取,不仅可以在实现图像的降维,而且通过稀疏性选择出我们需要的有效地特征,并将冗余的特征全部降为零。(2)分类器设计：分类器的作用就是对提取的人脸图像特征进行分类识别。本文提出了一种组合稀疏分类器(CSRC),该分类器设计的第一步就是对超完备字典的设计,本文的超完备字典选用单位阶跃字典和二维Gabor级联的方法,该字典具有稀疏性和非负性等特点,大大降低了算法复杂度；然后用基追踪去噪的算法进行分类器设计。相对于传统的稀疏表达算法,本文所涉及的分类器分类效果更好、识别率更高。在ORL、Extended Yale B人脸库的实验结果也证明了本文算法的有效性。