近年来由于在身份鉴别、视频监控和人机交互等领域的广泛应用前景，人脸识别获得越来越多的关注。现有的大部分人脸识别方法都是研究限定条件下（正面人脸、无遮挡、受控的光照）或半限定条件下的人脸识别，可是很少研究涉及到非限定条件下的人脸识别。因此本文旨在研究非限定条件下的人脸识别方法，本文主要从以下两个方面开展研究工作:　　在人脸图像特征提取阶段，现有的大部分人脸识别方法中，都是先将人脸图像进行对齐后再提取特征。但是对于非限定条件下的人脸图像来说，由于人脸图像的部分缺失，导致难以事先对人脸图像进行对齐，因此本文将不需要进行人脸对齐的多关键点描述子Dense SIFT应用于人脸识别，同时本文对它进行了改进，提出了Dense RootSIFT方法。该特征具有更高的鲁棒性的和更强的鉴别能力，能够取得更高精度的人脸识别效果。　　利用稀疏表示分类的思想，一种基于多关键点描述子的稀疏表示分类方法（MKD-SRC）在非限定条件下已经取得不错的效果。该方法在人脸图像上提取多个局部的描述子并且独立地对各个描述子进行稀疏编码，但是它却没有考虑到字典以及描述子的结构化信息。本文提出了一种基于多任务的结构化稀疏表示方法，应用于非限定条件下的人脸识别。我们利用了描述子的组间稀疏性和组内稀疏性来进行稀疏编码，同时由于同一张图像提取出的描述子拥有相同的标签，因此应该对这些描述子进行联合编码。我们将分类问题转化为多任务结构化稀疏复原问题，并提出了基于多任务的组稀疏正交匹配追踪算法(MT-SGOMP)解决对应的优化问题。　　本文在LFW和PubFig人脸图像库上进行了大量实验以验证本文提出的方法的性能，并与基于稀疏表示的分类方法SRC、基于多关键点描述子的分类方法(MKD-SRC)以及其他经典的方法进行了比较。实验结果表明本文提出的方法能取得更好的人脸识别效果。