人脸识别是模式识别、机器学习、计算机视觉以及图像分析与理解等领域的研究热点之一。几十年来,人脸识别技术研究取得了令世人瞩目的进展,然而仍受到一些瓶颈问题的困扰,其中主要包括人脸图像鲁棒表示(鲁棒特征提取)问题和相似度量设计问题。本文就这两个问题涉及的理论、模型与算法进行了深入的研究,针对其存在的问题进行了一系列工作,提出了一些新的模型与算法。本文主要研究工作包括:从图像奇异值分解的性质出发,提出了一种简单而有效的基于个体子空间的人脸图像表示与识别算法。该算法利用奇异值分解估计每幅图像所处的线性子空间;依据相似人脸图像应该处于同一或相似线性子空间假设,引入最近邻规则进行分类。与同类方法相比,所提算法在处理诸如光照变化、小样本以及异质图像识别等问题时的识别性能更加鲁棒。传统的稀疏表示模型将待分类人脸图像刻画为身份信息与光照变化信息的线性叠加,然而朗博反射模型和实验表明事实并非如此。针对这一问题,本文提出一个新的可以同时优化身份信息与光照信息的稀疏表示分类模型,同时提出了一个具体适用的模型求解算法。人脸图像数据库上的对比实验表明:与同类方法相比,本文所提方法能有效提升稀疏表示模型在光照变化人脸识别问题中的分类能力。本文提出了一种新的基于矩阵线性变换的图像相似度度量模型。提出的模型通过计算两幅图像之间的线性变换确定其相似程度。本文对该方法作为相似性度量的合理性进行了分析,并在人脸识别问题上讨论和展示了该相似性度量的一些特点。结合提出的相似性度量与最近邻规则,本文还提出了一个具体适用于人脸识别问题的分类方法。在一些有挑战性的人脸识别问题上的实验进一步证实了所提出的相似度量及分类方法的有效性。本文从线性重构模型和相似度量模式出发,提出将线性重构度量模型看作一种新的度量模式,并进一步分析了线性重构模型作为相似性度量的物理意义及其所具有的优势。具体地讲,本章推导发现重构系数蕴含了点对点度量以及其他数据点的分布信息;分析了求解线重构模型算法中的正则项的物理意义;对比分析了线性重构度量模式与点对点度量模式之间的区别于联系。此外,以线性重构度量为基础,该文还构建了若干基于不同决策规则的最近邻分类器。人脸图像数据库上的对比实验表明:相比于点对点的度量模式,线性重构度量作为协作度量模式的一种实现在人脸识别中具有更强的分类能力。不仅如此,本文还为洞悉稀疏表示分类器的本质提供了一个新的视角。