人脸识别因其友好性、无侵害、易获取等特点,相比于其它现有生物识别技术有着更为广泛的应用,如信息安全、人机交互和娱乐等领域。然而提取区分性好、鲁棒性好的人脸特征,构建高效可靠的分类器,来提升人脸识别的正确率,一直是人脸识别研究的难点与重点。人脸检测、特征提取、分类识别是人脸识别系统的三大组成部分,它们的好坏直接决定算法的性能,其中特征提取的地位尤为突出。论文以单样本人脸识别为背景,根据特征提取方法、字典学习方法、协作表示分类算法的相关研究成果,基于稀疏编码方法做了相关研究。工作内容主要有:(1)当外界光照变化呈高斯分布或拉普拉斯分布时,协作表示分类算法(Collaborative Representation Based Classification,CRC)才能较好的克服光照所带来的影响,然而现实中的光照变化并不满足这一前提。因此为克服外界光照变化的影响,基于正交Log-Gabor滤波和协作表示的单样本人脸识别算法被提出。正交Log-Gabor滤波器是Log-Gabor滤波器的改进,改进的滤波器既保留了Log-Gabor特征良好的生物特性,也缓解了Log-Gabor特征维数过高的影响。同时,该算法也属于Log-Gabor与CRC的结合。因此它既保留了CRC算法的优势,也缓解了光照变化对CRC的影响。实验表明该算法在单样本人脸识别的条件下能够较好的处理光照问题。(2)在实际的应用场景中,单样本人脸识别最常见。为克服小样本问题,一种基于多尺度差动激励的嵌入式松弛协作人脸识别算法被提出。多尺度差动激励模型是差动激励模型的改进,旨在获取更具辨别能力的区分性特征。为了获得更具区分能力的编码系数,算法结合了松弛协作表示模型的优点,提出了嵌入式松弛协作表示模型使测试样本在字典上的线性表示更准确。由于只有一张训练样本,为获得更多的识别特征,算法引入分块克服机制实现样本的扩增。通过在测试样本的每个子块上运行所提算法,最后以多误差和最小为分类准则进行分类。实验结果表明,在单样本人脸识别的背景下,算法不仅对光照、表情、遮挡和姿态变化的人脸有较高的识别率,而且算法的时间开销也较小。