近年来,对于压缩感知理论的研究一直是国际信号处理领域的热点问题,已经渗透到数学,通信等诸多的工程科学领域之中。而人脸识别,由于其简洁性,无侵犯性,成本低等优势,广泛应用于安全监控,身份识别,门禁系统,公安检索等场景。相较于传统的人脸识别算法,基于稀疏表示分类(Sparse Representation Classification,SRC)的人脸识别对光照变化和遮挡具有较好的鲁棒性。然而SRC算法对于人脸对齐非常敏感,且计算量较大。本文从压缩感知的基本理论入手,针对如何进一步提高人脸识别算法的鲁棒性和降低算法耗时进行了研究。本文的主要研究工作概括如下:1.总结和整理了基于稀疏表示的人脸识别算法,如SRC,联合表示分类(Collaborative Representation classification,CRC)分类识别算法,并对分类识别算法进行了改进。我们提出一种新的分类识别算法,能够获得更好的识别效果。2.针对人脸数据维数较高,在一些平台或是计算能力不足的场景,我们提出了基于压缩感知理论中观测矩阵的优化设计方法,并将其应用于人脸识别中的特征提取中以降低维度。我们对提出的算法和其他人脸特征提取算法进行了对比研究,并通过实验验证了其可行性。3.针对SRC算法在构建字典并未考虑到字典间的局部信息,提出了一种基于分块的字典学习算法并应用于人脸识别中。SRC在进行人脸识别中使用的一个统一的固定字典,寻找待测样本在所有类构成的字典下的最稀疏表示。为此我们使用对人脸图像分块获得的初始字典,使用K-SVD算法对字典块优化,对每类人训练一个独立的字典用于分类。通过实验的仿真,和其他相关算法对比,验证了算法的性能。