随着信息社会的快速发展，人们对信息安全的要求越来越高，由于生物特征具有较强的个体差异性与稳定性，故生物识别成为信息安全领域的首选方式。人脸识别是一种利用人的脸部信息进行身份鉴别的生物识别方法，与其他生物识别技术相比，人脸识别拥有便捷、直接等优势，因此人脸识别能够在视频监控、安全防务等方面得到广泛应用。　　与传统的人脸识别技术相比，基于稀疏表示的人脸识别拥有识别率高、鲁棒性强等优势，因而引起了许多学者的关注。本文针对人脸识别技术中的两个重要问题:识别率与识别速度，深入研究了稀疏表示中的各类稀疏编码算法与字典学习算法，提出了两种快速、有效的基于稀疏表示的人脸识别算法。本文主要工作及取得的研究成果如下:　　(1)极限学习机学习速度快，但不能很好地处理噪声图像;稀疏表示分类对噪声具有鲁棒性，但计算比较复杂。针对这两种算法的优缺点，结合极限学习机与稀疏表示分类算法，并利用子空间追踪算法优化稀疏系数求解，本文提出了基于极限学习机与子空间追踪的人脸识别算法，从而达到了高识别率、快速的识别效果。该算法首先根据测试样本的极限学习机实际输出向量来判断是否是噪声图像，干净图像直接依据极限学习机输出向量来分类，噪声图像再采用子空间追踪方法结合稀疏表示分类框架来识别。　　(2)提出了基于Gabor特征与投影字典对学习的人脸识别算法，首先提取人脸图像多方向多尺度的Gabor局部向量，并将经主成分分析降维后的增广Gabor特征作为训练数据，代替原始的训练样本。然后，根据训练数据同时学习综合字典与分析字典，综合字典具有重构能力，分析字典可以快速求出系数矩阵。最后根据各类别的重构误差进行分类，以达到人脸识别的目的。在扩展的YaleB、ORL、AR和CMU-PIE人脸数据库的实验数据表示本文提出的算法不仅具有较高的识别率，还能够有效地提高识别速度。　　(3)提出了一种基于局部上下文特征与加性核SVM分类器的二尖瓣瓣根识别方法，首先提取超声心动图中二尖瓣瓣根部的上下文特征，然后训练一个加性核SVM分类器并利用它迅速找到二尖瓣瓣根的候选点，再对这些候选点应用加权模板，计算候选点的加权密度，并根据自适应阈值删除明显的错分点，最后利用K-means方法筛除候选点中的不可靠的点，并最终确定二尖瓣瓣根的具体位置。