人脸识别技术在计算机视觉以及图像处理领域是一项重要且很有价值的技术,这项技术主要实现的是基于人的脸部图像信息对人进行身份认证并完成身份信息检索。由于这项技术的高效性和智能性,大量的人脸识别方法被不断提出并且广泛的应用于金融支付、企业打卡、安检等领域。过去的几十年里,由于众多学者对人工智能相关理论知识的不断研究和完善以及工业上对人脸识别技术不断的实践验证使得人脸识别技术越来越成熟同时准确率也越来越高。然而伴随而来的同样包含着更多研究上的挑战,例如当人脸存在遮挡尤其是大面积遮挡时,识别精度会显著的降低。本文主要针对现有的人脸识别系统,尤其是传统人脸识别方法在人脸面部被大面积遮挡时存在识别率不高的问题,提出了基于稀疏表示模型并引入高斯混合方法进行改进的鲁棒人脸遮挡识别方法。首先,对训练集样本的同一位置像素信息进行高斯混合建模并通过期望最大化(EM)算法估计出高斯混合模型的参数。其次,将考虑加权后的欧式距离与阈值操作相结合的方法用于人脸遮挡判定实现人脸遮挡信息的参数化从而更加准确且方便的检测出人脸由于遮挡的干扰所造成人脸面部的信息缺失部分。在AR数据集上进行的验证实验显示该方法对人脸面部存在的遮挡干扰部分的信息比较敏感,相比较传统的遮挡检测方法(例如边缘检测以及图像分割方法等)在遮挡检测的准确度和鲁棒性上有所提升。最后,在对人脸进行识别分类决策过程中考虑样本的遮挡信息的影响,将人脸面部所判断的遮挡信息与未干扰信息进行剥离,通过稀疏表示分类器对剔除遮挡信息后的人脸进行识别从而实现人脸遮挡图像的准确识别。本文将高斯混合模型应用到人脸遮挡识别并细粒度到每一个像素点从而更准确的检测出人脸由于遮挡造成丢失的部分,同时将遮挡造成的干扰信息抽取后进行稀疏表示并分类,尽可能的避免了由于人脸遮挡或者人工遮挡补偿所引进的主观误差对人脸识别分类结果的干扰,这种将遮挡信息进行参数化的思路为人脸遮挡识别后续的研究打开了新的思路,同时对于提升人脸遮挡识别的准确率以及鲁棒性具有非常重要的实际意义。