近年来,随着计算机视觉技术以及模式识别的快速发展,人脸识别已经成为了现代生物信息识别中一项十分重要的技术。迄今为止,人脸识别技术在理论研究和实际开发方面都取得了长足的发展。但是,在人脸识别的过程中依然会受到光照、人脸姿态、遮挡物、样本不足等因素的负面影响,导致人脸识别正确率下降。因此,如何提高人脸识别的正确率成为了科研学者在人脸识别领域的研究重点,也是本文展开研究的主要方向。本文简要分析了稀疏表示方法和虚拟样本方法的基本原理以及在人脸识别中的应用。并且在此基础上,根据稀疏表示和虚拟样本的特点,提出了一种新的基于虚拟测试样本的稀疏表示方法。本文的主要工作和创新点如下:1)本文针对因人脸表情丰富而导致的训练样本不足的问题,提出了一种基于虚拟测试样本的最近邻算法。不同于其他增加训练样本数量的虚拟样本方法,该算法利用人脸的对称性产生虚拟测试样本,模拟人脸表情和姿态可能的细微变化,增加测试样本数量。然后将每个训练样本对原始测试样本以及虚拟测试样本的稀疏表示结果进行加权,进行加权后的稀疏表示结果在一定程度上降低了因个别差异而产生的误差。最后,将测试样本归类于最终做出最大贡献的训练样本所属的类别当中。通过实验结果表明,该方法相比其他虚拟样本方法和最近邻方法能得到更高的人脸识别正确率。2)为了进一步提高人脸识别的正确率,本文又提出了一种两阶段算法及其优化后的算法。原始的两阶段算法是指,在第一阶段时利用人脸对称性产生虚拟测试样本,并通过稀疏表示结果来选取最合适的训练样本。第二阶段是利用选取的训练样本重构测试样本,对重构结果进行加权并完成测试样本的最终分类。实验表明,该算法虽然能在一定程度上减少样本不足所带来的负面影响,但是仍然存在改进空间。因此,本文为了进一步提高两阶段算法的人脸识别正确率,在第一阶段通过曼哈顿距离来描述训练样本与测试样本之间的相似性并选取最近邻的训练样本。然后,利用最近邻的训练样本对测试样本进行重构并分类。实验证明,这种方法能够得到更高的人脸识别正确率。