近年来，一种新的数据采集技术——压缩感知技术因为突破了奈奎斯特采样率的制约而成为研究人员的热点问题。该理论尝试在不丢失原始信号所包含的重要信息的基础上，用尽可能简单的观测信号来表示原始信号，并可以通过一系列重构算法从这些观测量中准确重构出原始信号。同时，由于压缩感知技术能用较少的数据保存高维图像信息，因此被广泛应用于图像处理。例如，应用在特征提取领域的稀疏保留投影算法以及用在分类识别部分的稀疏表达分类器。它们均是压缩感知理论在图形图像处理与模式识别领域的成功应用。稀疏保留投影算法在降维的同时能保留样本间的稀疏重构关系，具有良好的结构保留作用，然而它本质是一种全局线性降维，无法应对同类样本间差异过大的情况。同时，作为一种无监督的降维方法，稀疏保留投影算法无法结合监督降维方法的先天优势性。因此，本文提出一种局部代监督机制的降维方法——结合成对约束的近邻稀疏保留投影算法。算法在训练过程中利用近邻样本而不是所有训练样本来计算稀疏关系，这不仅在降维过程中保持了样本间的局部结构特征，使原始空间中相似的样本在特征空间中仍然保持相似，更是提高了算法运行的效率，使时间复杂度大大降低；同时引入双向监督机制，提高同类近邻在投影选择中的作用，降低异类近邻的作用，这有效地避免了由于两个异类样本间差异过小而产生错误分类的概率。稀疏表达分类器是基于这样的假设：测试样本能被所有训练样本线性表示，且只在同类训练样本上有较大的线性表示系数，其他类样本上的系数均近似于零。而实际应用中由于存在不可避免的误差，线性表示系数并不能保持良好的稀疏性，因此计算测试样本被各类训练样本表示的稀疏重构误差，测试样本的类别即为误差最小的类别。此外，文章讨论了不同的重构算法对稀疏表达分类器的影响。由于稀疏表达分类器无法结合样本不同区域的重要程度进行有针对性的分类工作，因此本文最后提出了一个改进稀疏表达分类器的思路：根据人脸图像分块处理，每块结合各自的权值利用稀疏表达分类器进行分类，则样本的类别由各块类别投票决定。将本文中的算法用于人脸识别，在ORL和YALE人脸数据库上的实验验证了本文算法在识别率以及运行时间上的有效性和可行性。