在传统的人脸识别领域,通常以单幅静态人脸图像作为测试对象进行分析和分类,在可控场景下大部分方法都取得了良好的识别性能。然而,在非约束环境下,由于人脸图像容易受到光照、表情、姿态等因素的影响,基于单幅图像的学习算法在很多实际应用场景中的识别效果不佳。随着数字图像技术和通信技术等的快速发展,目前可以很容易地获取到一个人的多幅图像(即图像集)。因此,在人脸识别的过程中可以将测试图像集与训练图像集进行对比,从而提高分类的准确性。研究者将这类人脸识别问题称为基于图像集的人脸识别。基于图像集的人脸识别通常以图像集作为测试对象进行分析和分类。图像集可以更全面地刻画同一类人脸图像中存在的各种表观变化(例如表情、姿态、光照条件等),便于消除这些干扰因素的影响,因此基于图像集的人脸识别方法较基于单幅图像的方法更能实现鲁棒的分类。目前基于图像集的人脸识别方法缺乏对人脸图像集的有效特征描述,对图像集数据流形之间的相互关系的研究还不够。本文提出一种新的基于复杂网络和稀疏表示的人脸图像集识别方法。该方法以非控条件下获取到的人脸图像集为研究对象,将人脸图像集抽象成复杂网络系统以构建人脸图像集的复杂网络模型,人脸图像集中的各个人脸图像样本表示网络中的节点,样本之间的相互关系表示网络中的边;在复杂网络体系下利用复杂网络理论知识对人脸图像集的数据流形进行划分,即采用复杂网络方法对人脸图像集复杂网络系统进行社团结构的划分,以获取网络系统的多个社团结构,即得到人脸图像集数据流形的具有自身特征属性的多个子流形;在子流形划分的层面上,构建稀疏嵌入的图模型与最优投影目标函数,以深度挖掘子流形之间的内在联系与区别并保持人脸图像样本的内在低维结构信息,从而获取人脸图像集数据的内在低维结构特征;最后,在低维空间实现基于子流形的人脸图像集识别。为了检验算法的有效性,本文在三个不同类型的人脸图像集数据库(Honda/UCSD、CMU MoBo和You Tube Celebrities)上设计了实验,对所提出的算法进行了标准测试和评估。实验结果表明本文方法具有较好的识别表现,在一定程度上优于目前的最新方法如稀疏近似最近点(SANP),正则化最近点(RNP),联合正则化最近点(JRNP)等,适用于基于图像集的人脸识别问题。