人脸识别是现代生物信息识别中的一项重要技术。与其他生物特征识别技术相比,人脸识别技术有更加直观、简单、可扩展性强等优势,因此得到了广泛的研究和应用。截至目前,科研学者已经提出了大量的人脸识别方法,并且取得了较好的成果。但由于人脸识别过程中易受人脸姿态、表情、光照、遮挡物、样本不足等因素的干扰,使得现有人脸识别方法难以准确的完成人脸识别和身份认证。因此如何降低人脸识别错误率是人脸识别领域的重要方向,也是本文展开研究的初衷。稀疏描述方法具有识别错误率低、鲁棒性强等众多优点。本文重点研究其在人脸识别领域中的应用,首先阐述基于虚拟样本的稀疏描述方法,并通过实验验证其在人脸识别中的可行性。本文主要工作包括:针对人脸表情丰富、姿态多变所导致的训练样本容量不足的问题,提出了改进的基于虚拟样本的稀疏描述方法。该方法利用人脸的对称性产生虚拟样本,用于模拟表情、姿态略微变化的情况下人脸图像可能的视观。在一定程度上增加了训练样本数量,从而减少了人脸表情、姿态变化对人脸识别造成的负面影响。然后选择更为合适的训练样本来重构测试样本,最终利用重构的结果对测试样本进行分类。实验表明,该方法能够得到更低的人脸识别错误率。针对光照多变所导致的训练样本数量不足的问题,提出了基于虚拟样本与高斯核距离的稀疏描述方法。该方法利用添加随机噪声的方式产生虚拟样本,用于模拟光照变化、光照不均的情况下人脸图像可能的视观。在一定程度上扩充了训练样本集的容量,从而减弱了光照多变对人脸识别的干扰作用。然后利用高斯核距离为测试样本选取最近邻的训练样本,并用这些最近邻的训练样本的线性组合来描述测试样本,最终完成对测试样本的归类。实验表明,该方法能有效降低人脸识别错误率。