人脸识别技术长足发展的今天仍然面临着一些巨大的挑战,现实环境的不可控因素导致取得的人脸图像很可能带有遮挡,并且极易受光照、姿态变化的影响,这大大降低了识别的准确率,针对现有的大部分深度学习模型并不具有定位遮挡并且快速识别的能力,以及深度学习模型的非线性拟合能力差的问题,提出一种基于KPCANet(Kernel Principal Component Analysis Network)的有遮挡人脸识别算法。为解决人脸光照、姿态变化导致的识别率降低的问题,使用核函数映射应用于主成分分析网络模型的方法,在PCANet(Principal Component Analysis Network)特征提取模型的基础上将图像浅层特征提取之后的特征进行核变换提高非线性拟合能力,使模型对于特征变化更具鲁棒性。针对于人脸含有物体遮挡,对人脸样本进行特征点检测,将人脸样本每个关键点检测并提取出来,设计了一个遮挡判别分类器用于判断人脸关键点是否被遮挡,此分类器能够有效的辨别输入的人脸图像区块属于某一具体的人脸关键点还是属于背景图片或带有遮挡的关键点区块。之后进行PCANet特征提取,将提取后的特征矩阵输入SVM(Support Vector Machine)训练分类器,调用lib库来训练SVM模型,将不同关键点的训练模型组合成SVM特征模型组。结合遮挡判别分类器以及不同的遮挡类型使用不同的模型组进行样本预测,完成有遮挡人脸识别任务。实验证明,算法对常见的人脸遮挡类型取得了很好的效果,大面积遮挡也具有一定的识别率,对于光照、表情变化引起的遮挡也有着比较高的识别率。该论文有图23幅,表16个,参考文献53篇。