近年来,人脸识别作为一种重要的生物特征识别技术逐渐在模式识别、机器学习和计算机视觉领域引起了一番研究浪潮。其中,基于线性表达模型的分类方法获得了广泛应用,成为领域内最热门的研究方向之一。该类方法通过线性表达获取训练样本关于测试样本对应的编码,进而使用编码进行分类。但是,出于编码一致性和模型泛化性的考虑,关于编码稀疏性和独立性相结合地探讨仍有不足。此外,由于图像被线性变换成向量处理,当前该类方法往往存在难以充分利用图像空间结构信息的问题。针对以上问题,本文研究了线性编码人脸识别算法,具体创新如下:1.从特征提取层面,本文致力于提取数据的高阶统计信息,基于编码一致性的原则将稀疏线性编码的稀疏性和独立分量分析方法获取编码的独立性结合起来,提出一种稀疏的因子编码表示方法,分析比较了不同的距离度量准则、稀疏优化方法和分类方式对线性编码表达效果的影响。该方法通过提出新的求解编码的目标函数引入了L1范数稀疏约束并进行优化讨论,对比字典学习获取稀疏编码系数的方式,侧面验证了编码稀疏性对识别结果的影响。2.本文提出一种像人类视觉一样进行相似性度量的方法。该方法不对噪声建模,而能够根据训练样本关于测试样本的线性编码表达,自适应地度量样本的相似性。3.结合上述相似性度量和最近邻分类,本文提出一种基于人类视觉识别遮挡人脸的方法。该方法用未被遮挡的部分进行识别,结合图像像素的梯度信息和像素点的邻域信息,采用设置像素阈值的方式,在图像表达的残差图像上计算像素的邻域信息。在引进像素空间信息的同时,使用线性变换的方式,对每个类别的训练样本进行相关线性编码,即聚集度。然后根据聚集度的大小进行分类。这三种方法均基于线性编码的思路,使得人脸图像尽可能满足子空间假设和编码一致性的要求,最终均取得了较有竞争力的实验结果。此外本文综合上述方法,提出利用图像高阶信息特征和自适应的类人相似性度量识别遮挡人脸的构想,亦是亮点所在。