作为图像处理、模式识别等领域最成功的应用之一,人脸识别由于无需识别对象配合、可远程隐蔽操作、识别过程友好等特点备受关注。除了纯粹的科研意义,在商业和执法中也有着诸多应用,如监管、安全、通讯和人机交互等。经过30年的研究,各种各样的人脸识别方法被研究者相继提出。随着压缩感知理论的兴起,作为其核心技术的稀疏表示,不仅可以降低数据分析和处理的成本,而且可以提高数据的压缩效率,因而基于稀疏表示的方法由于其出色的分类性能以及对噪声和遮挡的鲁棒性受到了研究者的广泛关注,纷纷将科研方向专注于基于稀疏表示的人脸识别研究上,实现人脸识别的更加精准化,提高人脸识别技术。本文对基于稀疏表示的人脸识别方法展开深入研究,并在此基础上,对稀疏编码加入局部敏感性、分组稀疏性以及混合稀疏性的约束,从而提高人脸图像的分类性能。本论文的主要内容和创新点如下：1)首先介绍了本文所涉及领域与其相关技术的研究现状,概述了本文研究方法所在的人脸识别框架平台,继而归纳总结了本文主要研究重点,即稀疏表示的相关基础知识。2)提出了基于局部敏感性分组稀疏表示的人脸识别分类方法。该方法通过对稀疏编码加以局部约束性,保留了测试样本和相邻训练数据间的相似性,以获得更多包含判别信息的有效稀疏表示系数,并分别与两种分组稀疏方法相结合,解决了训练样本字典内部结构性问题。实验将在ORL人脸库,AR人脸库以及Extended Yale B人脸库上分别进行,以验证该方法有效性。3)提出基于核局部敏感性分组稀疏的极限学习机人脸识别分类方法。该方法将首先对于稀疏表征加以局部敏感性与分组稀疏性的双重约束,既考虑了训练数据的字典结构性问题,也保留了对稀疏编码的局部约束性,并在考虑局部约束性时加入高斯核函数以提高约束性能,再将其与极限学习机相结合。弥补了拥有较快学习速度的极限学习机在应用于分类时由于对噪声敏感以致准确性较低,而分类性能较好且对光照、噪声等鲁棒的稀疏表示方法却较为耗时的不足,实现了在拥有较快识别速度的同时,保持较好分类识别性能。本文将在ORL人脸库,AR人脸库以及Extended Yale B人脸库上进行多组对比实验,分别测试该方法的识别率与分类时间。4)提出基于非级联Gabor特征的混合稀疏表示人脸识别分类方法。该方法将对光照、姿态及表情等变化具有较好鲁棒性的Gabor特征应用到稀疏表征方法中,并充分考虑5尺度和8方向上的所有Gabor特征信息,即用提取得到的人脸图像的多尺度多方向的Gabor局部特征替换稀疏表征中原先使用的全局特征,并使用主成分分析方法对图像进行降维,而后在进行稀疏表征时采用混合稀疏表示方法,综合考虑数据的分组结构性与整体稀疏性,并通过求解混合稀疏最小化问题来得到最终识别结果。该方法的实验将在AR和Extended Yale B标准人脸库上进行,以验证该方法的可行性及有效性。