随着计算机的飞速发展,人们对信息安全的需求越来越急切,基于稀疏表示的人脸识别因其具有强鲁棒性而具有广阔的应用前景。但目前稀疏性的表示人脸基本上采用贪婪算法中的正交匹配追踪算法来求解其稀疏编码的系数,这会导致求解的稀疏编码系数精度不够从而重构出来的人脸不够精准识别性能下降;另外基于稀疏表示的人脸识别框架常采用未经处理的字典来进行人脸的稀疏表示,如果每类人脸训练过多样本则会使得字典过大从而计算量过大。本文针对稀疏表示的人脸识别中稀疏编码的求解和字典的学习进行了深入的研究,提出了三种有效的稀疏性的人脸判定方法:(1)提出了基于子空间追踪的人脸识别方法。子空间追踪算法采用了回溯迭代优化思想,在算法的迭代中每次选取稀疏度个数个原子,并对选择的原子进行优化和更新,使其选择的原子能更好的表示信号,具有更好的鲁棒性和表示能力来重构人脸提高人脸识别性能。实验结果显示,本方法在识别率、识别时间和鲁棒性方面都优于传统的稀疏表示人脸识别。(2)针对子空间追踪算法需要预知稀疏度的情况,提出了一种基于改进的子空间追踪的人脸识别方法。算法不需要事先知道稀疏度,循环过程中逐步逼近稀疏度。在每次迭代中,通过逐步增加候选原子集中所添加和移除的原子个数来自适应稀疏度,在未知稀疏度的情况下,本文方法同样能保持很好的识别性能。通过实验证明,本方法相较于其余方法在人脸的识别中有着更好的性能。(3)提出了基于拓展的稀疏表示模型和LC-KSVD算法的人脸识别方法。人脸图像中存在着大量的遮挡和损坏情况,并伴随着大量的噪声影响,本文针对该问题提出了拓展的稀疏表示模型,在表达式中添加了噪声和遮挡损坏表示项,排出了噪声和遮挡损坏情况的影响,提高字典对人脸的表示能力,并引入了LC-KSVD字典学习技术,使算法的复杂度得到了降低。通过实验的结果证明,与传统的稀疏表示的人脸识别相比较,本方法在识别的速度和识别率方面都有着较大的优势。