人脸识别技术作为当前计算机视觉领域的热门方向,其研究历史悠久,并且在每个行业都有很大的应用前景。近几年,稀疏表示在计算机视觉领域的影响力日益提高。基于稀疏表示的方法,例如稀疏表示分类,在人脸识别中产生了不错的结果。为了进一步提高人脸识别的分类准确率,本文提出四种改进的人脸识别算法。本文的贡献可总结如下:第一,在本文中,首先提出了使用PCANet改进稀疏表示中字典构造的人脸识别算法。主成分分析网络(PCANet)作为一种新提出的深度学习算法,相比于其它卷积神经网络,具有网络结构简单,训练简单的优点,并且在样本很少的情况下也具有不错的性能。在该算法中,PCANet用于从人脸图像提取新特征,然后用提取到的新特征构造字典进行稀疏表示。随后,本文研究发现在传统的人脸识别算法中,分类阶段一般选用欧式距离等作为人脸相似性的度量标准,本文提出可使用人脸图像相关性进行分类。本文先介绍了人脸图像相关性的定义和计算过程,随后提出基于PCANet和相关性分析的人脸识别算法。第二,现有的基于稀疏表示的人脸识别算法都是使用每类自身的重构误差进行分类,而忽略了其他类别。如果要分类的样本(y)更像指定类别(若当前要判断y是否属于第i类,则第i类为指定类别)中的样本,同时又不像其他类别(除第i类外的所有其他类别)中的样本,这样分类正确的可能性就会更大一点。基于这样的想法,本文引入了双重构误差,然后提出了使用双重构误差改进稀疏表示分类的人脸识别算法和基于PCANet和双重构误差的人脸识别算法。为了验证本文提出的四个算法分类效果,本文在5个公开人脸数据集上进行了人脸识别实验,先将本文提出的算法分别与当前比较热门的人脸识别算法作对比,然后又在本文提出的算法之间进行对比。实验结果证明,与其他人脸识别算法相比,本文提出的算法在大多数数据集上可以获得相同甚至更好的分类效果。并且,在本文提出的算法中,基于PCANet和双重构误差的人脸识别算法具有最好的性能。