稀疏表示理论突破了传统奈奎斯特采样定律的限制，是信号处理领域最耀眼的成果之一，由于其出色的分类性能及对噪声和遮挡的鲁棒性而备受关注，于2009年被成功地应用到人脸识别中，为人脸识别的研究提供了新的方法。　　字典学习一直以来是稀疏表示人脸识别领域的重点研究方向之一。学习一个高性能的字典，能够提高人脸识别的准确性，各种字典学习方法被不断提出。其中，Fisher判别字典学习将Fisher准则引入到字典学习模型中，学习到具有字典识别力和编码系数判别性的结构化字典，在该字典上对测试样本进行稀疏表示分类，显著提高了人脸识别准确率。　　为了进一步提高识别算法的准确性，本文同时从字典学习与提高稀疏编码系数的判别性两方面进行考虑，围绕基于Fisher判别字典学习的方法展开研究，提出了两种改进方法，本文主要研究工作及创新点如下:　　(1)提出了基于FDDL的局部约束分组稀疏表示人脸识别方法。为了获得更具判别性的稀疏表示系数，首先利用FDDL算法对训练样本进行学习，得到具有判别性的字典和判别性的表示系数。然后利用学习字典对测试样本进行稀疏表示，并在稀疏编码过程中施加局部性和分组稀疏性的双重约束，保留了测试样本与相近的字典原子之间的局部结构信息，同时又能够用较少的字典类别对测试样本进行表示。最后综合利用训练阶段与测试阶段的判别性表示系数，对测试样本进行分类。在常用人脸库上的对比实验验证了该算法能够提高人脸识别准确率。　　(2)提出了基于FDDL的联合稀疏表示人脸识别方法。为了充分挖掘样本的标签信息，提高编码系数的稀疏性和判别性，对测试样本在学习字典上的稀疏编码过程施加联合稀疏约束。首先对测试样本在每一组子字典上进行稀疏表示，利用表示残差对测试样本的类别进行预测，然后用得到的预测值对与其相应的组别进行加权约束，该方法可选择尽可能少且与测试样本类别较为接近的子字典对其进行表示，能够显著提高编码系数的判别性;同时结合整体稀疏方法，保证了所选分组内部的稀疏性。最后利用训练阶段与测试阶段的表示系数，共同对测试样本进行分类。在常用人脸库上的实验结果验证了该算法的有效性。