作为一种最为方便且有效的生物识别系统,人脸识别一直是模式识别领域中的研究热点。而作为其代表的协同表示分类器也逐渐受到越来越多的研究人员的重视。在人脸识别领域,虽然协同表示分类器拥有与稀疏表示分类器相媲美的分类性能且拥有更低的计算复杂度,但协同表示的分类机理却依然不清楚。同时在人脸识别中的人脸图像具有维度高且数据量大等特点,因此,如何从高维图像中抽取出有效的鉴别特征以便从大量人脸图像中快速识别出目标图像是人脸识别的一个关键。此外,由于图像集相比于单幅图像包含了更多的个体信息,因此,相比于面向单幅图像的人脸识别,面向图像集的人脸识别可以拥有更为优秀的性能。但这也加剧了寻找高效且有效的分类器以及与该分类器相匹配的特征提取方法的迫切性。但目前流行的特征提取算法,如主成分分析等,均独立于具体分类器。由此,本文将从概率角度出发重新解释不同应用场景下的协同表示分类器。同时利用新提出的分类器的基于最小重构残差的分类准则设计了与具体分类器相匹配的特征提取方法。通过在不同数据库上进行的实验可以证明相较于对比方法,本文所提出的方法在分类的准确率和稳定性上性能均有所提高。本文主要工作如下:(1)为解析协同表示分类器分类机理,从概率角度解释面向图像的协同表示分类器。结合分类器分类准则,提出了基于概率协同表示的正交鉴别投影方法。通过获取匹配于概率协同表示分类器的低维特征以提高分类器的鉴别能力。(2)将面向图像的概率协同表示思想应用于面向图像集的分类中,并提出了面向图像集的概率协同表示分类器。结合基于该分类器的分类准则及面向图像集的特点设计了相应的正交鉴别投影方法,从而得到适合于该分类器的低维特征。最后通过实验证明该方法可提高该分类器的分类性能。(3)提出了面向图像集的代价敏概率协同表示分类器。其基本思想是在获取鉴别投影矩阵阶段和分类器的设计阶段均引入代价信息,从而使获得的投影矩阵及分类器均具有代价敏感功能。因而可以在分类阶段获得较低的误识率。实验表明所提出的方法在获得较低的误识率的同时在拒识率上并无明显提高。