人脸识别有着自然性和隐秘性强的优势，但是人脸识别容易受到人脸图像质量的影响。人脸外形的不稳定，丰富的人脸表情、外界复杂的成像环境（光照强度、成像角度等）、人脸的遮挡物（口罩、墨镜等）、人脸图像数据库的规模都会影响人脸识别算法的性能。基于稀疏表达的人脸识别分类方法（SRC）是近年来人脸识别领域的热点研究课题之一。该理论认为，可以用人脸数据库中的所有其他样本作为稀疏表达字典，并且理想状态下该样本仅与同类样本强相关。然而，基于稀疏表达的方法需要训练人脸数据库中每一类人脸的样本数量足够多，且对于数据库中的样本质量有着较高要求，即对于光照、遮挡等噪声不够鲁棒。而单样本人脸识别问题又是人脸识别中的最具挑战性的问题，即人脸数据库中每人仅有一个训练样本，只根据单幅图像进行人脸识别，这将会导致识别性能严重下降。针对上述情况，本课题在稀疏表达的人脸识别算法理论基础上，提出一种新的单样本人脸识别算法。该算法在原始人脸面部变化模型的基础上，对类内变化进行研究，利用低秩优化和稀疏约束重新构造出类内相似与类内差异；此外算法利用随机投影矩阵将高维人脸数据投影至随机子空间，在压缩域空间对人脸进行识别。从而大幅降低人脸识别算法的时间开销。在通用的AR，Yale B，Extended Yale B，MIT，FEI人脸数据库上对我们提出的算法进行了实验验证。实验结果，基于类内面部变化模型的单样本人脸识别算法在鲁棒性和准确率方面性能都得以提升。此外，实验结果也表明该算法在低维投影空间中不仅能保持原始数据的稀疏重构关系，还能提高单样本人脸识别准确率。