当前的人脸识别技术主要是基于二维人脸灰度图像的,虽然其简单、快捷并且有效,但是一旦被识别者所处的环境受到光线变化的影响,或者其自身表情、姿态以及遮挡物的变化都会导致识别率的急剧下降,极大地限制了人脸识别技术的进一步发展。成像技术的发展使得三维数据的获取变得更加便捷,并且获取到的深度数据对光照等变化不敏感,能够更真实地反映人脸的固有信息,使得三维人脸深度图识别成为人脸识别的一个重要研究方向,吸引了越来越多研究者的关注与研究。为了缓解二维人脸识别中光照、表情以及姿态等变化带来的影响,增强人脸识别性能,本文在三维人脸深度图上开展了一系列研究,提出了基于协作表达分类算法的人脸识别方法。本文首先概述了人脸识别的研究背景和意义,调研了人脸识别的发展以及现状,对于人脸识别中的基础技术如人脸特征选择、特征提取和降维、分类等进行了阐述,对于稀疏表达以及协作表达在人脸识别上的应用也做了系统的研究。每类样本训练图像较少时会面临训练信息不足的问题,进而导致识别效果不佳,为了克服这个问题,本文通过在复数域空间结合二维人脸灰度数据和三维人脸深度数据,增加训练样本信息量,在协作表示分类算法的基础上,定义一种相似性度量方法,对测试人脸进行分类。我们在实时成像系统采集的人脸库和Texas人脸库上进行实验,结果表明本方法具有一定的可靠性。接着,针对二维人脸识别不能有效克服光照、表情、姿态等变化的问题,通过提取三维人脸深度图的Gabor特征来描述人脸,保留人脸结构中更多利于识别分类的信息,并将核学习的方法融合到分类算法中,设计一种核协作表达分类算法在Kinect人脸库和Texas人脸库上进行人脸识别实验,实验结果表明该方法提高了在光照、表情等复杂变化下的人脸识别率。