当今社会,人们对个人信息安全的要求越来越高,而传统的密码、钥匙等安全措施已经不能满足人们对信息安全的要求,于是生物特征识别技术应运而生。该项技术以人体的结构特征信息作为依据对人员身份进行识别,包括指纹识别、声音识别、面部识别、虹膜识别、视网膜识别、人脸识别等技术,其中人脸识别技术是近些年来最受关注的研究方向之一。由于每个人脸部的独特性,人脸识别技术成为鉴别个体身份的重要技术,被广泛应用于各个领域。虽然人脸识别技术已经被广泛使用,但是这项技术仍然面临着诸多的挑战,如光照的变化、不同程度的遮挡和丰富的面部表情等因素都会影响人脸识别的效果,因此,如何更好地表示人脸图像和提高其识别正确率成为学术界研究的热点,基于此,本文针对人脸图像的表示方法和多特征融合方法展开了深入研究。主要研究内容包括以下几个方面:（1）针对传统单特征下基于表示误差的稀疏分类方法缺乏对样本信息的全面描述问题,本文提出一种使用多种特征进行人脸识别的方法。该方法首先利用二维主成分分析（Two Dimensional Principal Component Analysis,2DPCA）方法提取人脸表象特征;其次,使用快速傅里叶变换（Fast Fourier Transform,FFT）的方法提取人脸图像的频谱特征;然后对生成的表象特征、频谱特征和原始图像分别计算其在协同稀疏表示下的回归误差作为分类得分。最后,使用一种新的融合机制将三种分类的得分融合,并作为最终类别的判别依据以提高识别精度。实验表明该方法在多个数据集上的识别结果相比已有经典算法具有明显的性能提升。（2）针对小样本人脸数据集中训练样本不足的问题,利用人脸图像固有的对称性,提出一种基于近邻样本的虚拟样本生成方法。该方法对同一对象的不同人脸图像设计相应的切分和重组方案,用于生成同类样本的多个虚拟样本。该方法的优势在于:一方面,新生成的虚拟样本集既能扩充训练样本,又能保证用来表示测试样本的训练样本集包含充足的有用信息。另一方面,每一个对象所有脸部图像的子空间特征都能分布在同一子空间中。在进行样本扩充后,使用分组稀疏表示的方法对测试样本进行分类。大量实验表明,相比传统方法,该方法在多个公开人脸数据集上取得了更好的分类效果。（3）针对训练样本数量不足的问题,利用同类别样本的相似性,提出一种基于残差样本的虚拟样本生成方法来增加训练样本的数量。该方法通过使用同类原始训练样本与其均值样本的残差图像来生成虚拟样本,以降低在表示过程中噪声对于回归误差的影响。该方法有效的利用了类内差异作为部分噪声的数据表示,并同时使用类内差异和训练样本对测试样本进行线性表示。此外,在分类决策阶段,还采用加权得分融合的策略将虚拟样本和原始训练样本的各个表示结果整合作为最终分类依据。在多个人脸数据集上的大量实验表明,相比传统算法该方法有效的提高了人脸识别的正确率。