当前人脸识别技术广泛应用于区域安防、身份验证等各个方面。检测并框选出完整的面部区域是人脸识别的必要前提。在可控条件下,每个人可以获得多张不同场景下的面部图像,这样在训练时,我们可以充分的学习到某个人面部鉴别特征信息。然而在一些非可控复杂条件下,如因采集不便或存储有限,每个人只有一张面部图像,而测试样本与训练样本之间可能会有光照、表情、遮挡和姿势等变化。由于训练样本数量的不足在训练过程中无法充分的学习到这些变化特征,多样本人脸识别算法的识别性能会严重下降。SRC和CRC是在图像分类领域被广泛应用的算法。本文主要以SRC和CRC为基础,研究存在光照、遮挡、表情和姿势等人脸变化情况下的单样本人脸识别算法,具体工作如下:首先应用多任务级联神经网络对人脸面部区域进行检测,该算法是由三个神经网络层级联而成,可以同时由粗到细的完成人脸/非人脸的检测、人脸边界框的回归确定和人脸关键特征点的定位三个任务。其次介绍了SRC和CRC分类算法。通过多组实验验证发现这两种算法在充足的训练样本情况下都有很高的分类准确率,并且CRC有比SRC更好的分类速度,设法构造更多的训练样本是将CRC成功应用在单样本人脸识别上的一大思路。接着利用不同人脸图像之间的相似性,从额外的通用学习集中构造人脸的光照、遮挡和表情等变化特征,以弥补单训练样本的信息缺乏。人脸局部信息对人脸识别也有着重要的作用,对此本文提出结合全局和局部的通用协同表示单样本人脸识别算法,该算法是一个双重分类机制。首先通过全局协同表示构造全局误差函数和自适应变化字典;然后将所有样本分块,进行块通用协同表示,并用全局误差函数对块分类进行校正调整;最后根据所有的块分类结果得出测试样本的类别。通过人脸数据库上的仿真实验,验证了所提算法具有出色的表现。最后针对通用学习法不能很好的学习表情、姿势等非线性变化,本文给出了在通用协同表示中引入关键点定位分块和高斯混合模型。以人脸五个关键点的位置坐标为中心进行图像分块,解决可能由于人脸偏转而造成的分块错位问题;应用高斯混合模型(GMM)对混合数据进行迭代聚类,消除人脸非线性变化对识别率的影响。实验结果验证了所提算法具有较高的识别率。