随着人类社会向数字时代的迈进,互联网技术以及计算机技术的不断发展,人脸识别作为模式识别领域的研究热点之一,因其特有的可靠性、不易复制性以及主动性等优点,在众多生物特征识别技术中备受国内科研学者的关注。经过众多国内外的研发人员多年的探索和研究,人脸识别在技术上已经有了很多重大的突破,也取得了不少显著地成果。但是在实际应用中,人脸识别技术仍然面临着一些挑战。比如,比较典型的问题就是在非受控条件下,人脸的可变性(表情变化)、不稳定性(光照变化)以及差异性(遮挡伪装、污损)都会对人脸识别率造成影响,所以如何有效的避免或减轻以上人脸识别技术所存在的问题是我们提高人脸识别率的关键。大量的研究表明低秩表示作为一种子空间分割方法,不仅对噪声更具鲁棒性,而且能够更好的保持数据的全局结构,在机器学习以及计算机视觉等领域都得到广泛应用,但是低秩表示也存在着许多缺陷,需要我们进一步的改进和完善。因此,本文主要以低秩表示学习为核心对人脸识别算法进行了研究,其主要工作可大致概括如下:1、带有稀疏约束的判别低秩矩阵恢复的人脸识别方法(Face Recognition Based on Discriminative Low-rank Matrix Recovery with Sparse Constraint)。实际应用中,采集到的人脸图像往往会受到一些不可控因素的影响,比如光照、表情、遮挡等,使得用于人脸识别的训练样本和待测样本都会受到不同程度的噪声等污损,从而影响人脸的识别率。因此,本文提出了一种带有稀疏约束的判别低秩矩阵恢复的人脸识别方法(DLRRSC)。首先,利用判别低秩表示方法恢复出干净的字典A和误差字典E*,然后用低秩投影矩阵通过将待测样本的特征矩阵投影到相应低秩子空间的方式来恢复出干净的测试样本。最后,我们采用稀疏表示分类器进行分类识别。为了验证本文方法的有效性和实用性能,我们分别在标准的AR人脸数据库和Extended YaleB数据库中进行了实验比较。2、基于加权低秩表示和自适应近邻选择的人脸识别分析方法(Face Recognition and Analysis Method Based on Weighted Low-rank Representation and Adaptive Nearest Neighbor Selection)。考虑到基于图嵌入的判别投影方法必须要对近邻参数k进行选择的繁琐问题以及现存的样本类别信息不足等情况,我们提出一种基于加权低秩表示和自适应近邻选择的人脸识别分析方法。首先,本算法基于半监督判别分析(SDA)以及史俊等人提出的ANSDA算法,利用ANSDA独特的构图方式,即让所有的样本点构造类内图,用最远类内样本的邻域自适应的选择该该邻域内不同的样本点构造类间图,有效的避免了近邻参数K选择的问题。在此基础之上,利用加权低秩表示构造出正则项来保持所有样本的全局相似关系。最后为证明本算法的有效性,我们分别在在ORL和yale_facedb数据库上进行了实验,并且与其他几种降维方法进行比较,结果证明本文方法更有效。3、带有空间约束的图正则低秩表示联合协同表征的人脸识别算法(A Face Recognition Algorithm Based on Graph Regularized Low-rank Representation with Spatial Constraint)。考虑到实际应用中用于人脸识别字典不完备的情况,以及人脸图像在不同表情变化、光照、及噪声的影响下造成的训练样本的受损问题,本文提出一种更有效的人脸识别算法——带有空间约束的图正则低秩表示联合协同表征的人脸识别算法(SGRLRR_CRC)。该算法首先将给定的训练样本利用带有空间约束的图正则低秩表示(SGRLRR)恢复出干净的字典A误差差字典E*,然后以获得的干净字典A为基础,来对测试样本y进行协同表征,最后通过计算残差对测试样本进行分类。为验证所提方法的有效性,我们在CMU_PIE标准人脸数据库和ORL标准人脸数据上针对训练样本个数及维数的变化,以及加入不同程度的高斯噪声进行了实验,并且与SRC、CRC、GLRR算法进行了比较,实验结果证明本文算法的识别率更高。