随着信息技术和互联网技术的发展,身份认证和鉴别逐渐成为当今互联网时代的研究重点,而人脸识别技术在身份认证方面有着独特的优势。目前人脸识别已经成功的应用于安防监控、人脸支付、公司打卡等领域。但仅限在限制条件下才取得良好的识别效果,在非限制条件下仍然不尽人意,尤其是在遮挡条件下,由于其复杂性,到目前为止还未取得很好的效果。本文针对局部遮挡下的人脸识别方法开展研究,有以下工作和创新点:1.以SRC分类器和CRC分类器为基础,从误差概率分布和协同表示的角度,提出一种基于误差加权和协同表示的分类器(EW-CR)。将遮挡部分视为无遮挡原人脸图像的误差,再对各像素点赋予相应的权重,减小遮挡所带来的影响。重构系数?可能会因为局部特征的相似性而对非识别类“过度表达”,因此,采用2l范数来对其进行“抑制”,从而使得更多的同类样本来表达测试样本,进而提高识别率。实验证明,EW-CR分类器在光照、表情、遮挡下有良好的鲁棒性,在AR数据集、Extend Yale B数据集、FLW数据集上分别取得99.33%、96.00%、78.64%的识别率,与最新同类型算法比较,分别提升了0.93%、2.80%、2.24%。2.为进一步提高EW-CR分类器的性能,综合LBP、HOG、Gabor特征提取方法,提出了一种多特征的分类器。根据原像素特征、LBP特征、HOG特征、Gabor特征分别输入到EW-CR分类器得到的分类残差和识别结果来重新定义分类残差,然后对几种分类残差进行加权处理,通过最小化分类残差和来训练权重向量;对测试图像提取几种特征,输入到EW-CR分类器中,再利用新的权重向量对测试图像的分类残差值进行加权融合,得到最终的分类残差,最小分类残差值所对应的类别为最终的识别结果。设计了不同遮挡比例实验、非受控环境的遮挡实验、固定遮挡类型实验、强光照变化实验,并取得了较好的结果,其中,在Extend Yale B数据集和FLW数据集上分别取得了98.7%和83.24%的识别率,较原算法分别有2.7%和4.6%的提升,验证了本文提出的算法对处理局部遮挡问题的有效性。