随着近几十年来人脸识别技术的飞速发展,形成了很多经典的人脸识别技术。人脸识别已经被广泛地应用在电子商务、门禁系统、视频监控等多个领域。目前为止绝大部分经典的人脸识别算法在多样本的条件下可以取得不错的识别效果。但面对单样本人脸识别问题,许多经典的识别方法效果很差,有些甚至无法适用。然而在很多实际场景中,数据库中往往只有一副人脸图像,也就是说单样本人脸识别的的问题是必须要面对和解决的。基于以上的原因,单样本人脸识别问题受到越来越多的关注,因此解决单样本人脸识别问题,具有重大的理论意义和应用价值。本文首先详细介绍了单样本人脸识别的研究背景与意义,接着概括总结了目前主流的几种人脸识别算法,最后分析比较了不同的算法,针对身份认证的发展需求,提出了单样本人脸识别算法,并进行了合理的改进。局部二值模式(Local Binary Pattern)是一种描述纹理的方法。LBP算子不仅在纹理描述方面取得了显著效果,而且其计算简便,这些优点均使得基于LBP的人脸识别技术有较为广泛的应用。但是LBP算子容易受到噪声的影响,本文针对此问题对LBP算子进行了改进,采用Bernser算法与LBP算子结合的BLBP算子,最后利用Chi平方统计方法计算直方图的相似度。在识别时,采用的是核实式的一对一匹配,根据训练的阈值,判断是否为同一个人。本文将改进前后的LBP算子进行了实验比较,分别在FERRET人脸库和自己收集的人脸图像中进行了实验,发现改进后的LBP算子有较好的鲁棒性和鉴别能力,在实际的人脸识别中能获得更好的识别率。高斯过程判别模式使用区别性先验,尽量使得同一类的位置是接近的,不同类的位置是远。高斯过程应用在单样本人脸识别中,为了避免数据源的单一而导致的过度拟合,我们提出GaussianFace模型。GaussianFace是基于改进的高斯过程潜变量模型的一种人脸识别方法,GaussianFace模型是基于高斯过程(GP)的重构,是非参数贝叶斯内核方法。高斯过程主要依赖于内核函数,所以使用Kernel Fisher判别分析(KFDA)来模拟内核空间中的类结构。为了简化推理,我们采用拉普拉斯近似来进行最优化计算。通过实验分析,GaussianFace模型作为分类器时,识别效果比改进的LBP人脸识别具有更高的识别率。