人脸识别是现代生物信息识别中的一项重要技术,对于给定的人脸图像,利用已经存储的人脸数据库确认该图像中的一个或多个人的身份。现有的人脸识别方法大多需要进行图像预处理及复杂的特征提取,选择何种特征对识别率影响非常大,并且对遮挡、噪声等情况缺少鲁棒性,这些问题往往使得现有的识别方法在应用中受到制约。不同于传统的人脸识别算法,稀疏表示由于具有识别率高、鲁棒性强等优势受到越来越多研究者的关注。稀疏表示是压缩感知中的关键理论,数据的稀疏表示,可以从本质上降低数据处理的成本,提高压缩效率。稀疏表示用在分类识别上有独特的优势,使得特征选择不再是必要条件。本文所做工作及取得的成果如下：(1)对压缩感知、稀疏表示理论进行了研究,表明了最稀疏的表示具有自然的判别性,它会选择最能紧密表示输入信号的子集,拒绝其他不紧密表示的子集。因此使用稀疏表示进行分类是可行的。(2)将稀疏表示的判别特性应用于人脸识别中,使用训练集图像作为超完备字典,将测试样本描述为训练集的线性组合,提出了基于稀疏表示的人脸图像识别方法,并结合了下采样、Eigenfaces、Laplacianface、Fisherface、Randomface多种特征提取方法,在扩展Yale B及ORL人脸库上进行仿真实验,结果表明较传统分类方法获得了更高的识别率。(3)对于人脸识别鲁棒性的提高做了多方面的改进。在原有识别方法基础上加入了有效性判别,并在原始模型中加入误差项,使其能有效地减少遮挡与噪声对识别率的影响。针对未配准图像低识别率问题,通过在原有模型中引入图像变换参数进行改进,在自动配准的同时获得较高的识别率。(4)利用向量总变差模型对细节具有的描绘能力,提出使用向量总变差替代最小l1范数进行稀疏求解,弥补了最小l1范数本身定义的局限所带来的精度问题,得到更精确的稀疏表示,从而得到更高的识别率。