人脸识别是一种日渐成熟的生物特征识别技术,它利用人脸特征对人的身份信息进行鉴定和甄别。虽然人脸特征具有唯一性并且具有自然、友好等优点,但是在人脸识别领域中遇到的数据往往是高维的,一般会导致维数灾难问题。近年来稀疏表示(Sparse representation,SR)在处理人脸识别等问题时显示出一定的有效性,它使用包含最少非零元素的线性组合实现对数据的正确表示,但是该方法没有包含判别信息。而后出现的稀疏保持投影(Sparse preserving projections,SPP)算法又以保持数据的稀疏表示结构为目的,成功应用于人脸识别领域,它本身包含一些判别信息且可以自动地选取其近邻信息,但其仍未能利用样本类标签信息且计算复杂度高。针对上述问题,本文对多样本人脸识别的高维数据问题及单样本人脸识别问题进行了的研究,主要研究成果如下:(1)针对多样本人脸识别中未能有效利用样本类标签信息的问题对稀疏保持投影算法(SPP)进行了改进,利用最大散度差准则重建了SPP算法的目标函数。(2)利用带有相同类标签的训练样本重构了稀疏误差,提出了一种基于最大散度差准则改进的稀疏保持投影人脸识别算法,有效地降低了SPP算法的计算复杂难度,较好的提升了多样本人脸识别效率。(3)提出了基于Module PCA与鉴别稀疏保持投影的单样本人脸识别方法。利用Module PCA方法重构单样本人脸图像,并与原有人脸图像共同作为新的训练集进行训练,利用新获取的样本库获得稀疏系数,从而进行单样本人脸识别。本文在ORL、Yale-B、CAS-PEAL及IMM多个人脸数据库进行实验,结果表明文章中提出的算法可以有效地提升人脸识别效果。