压缩感知作为一项新理论，从诞生到现在不过数年。它指出，当一个信号具有稀疏性，或者经过某种变换之后能表示成稀疏的，就可以用一个与变换基不相关的观测矩阵将这个稀疏信号投影到一个低维空间上，这个比原信号维数小很多的投影保留了重建原信号所需的信息，然后通过求解一个最优化问题，就能够从这个投影中以很大概率地重构出原信号。目前，压缩感知是一个研究热门，在各个领域都取得了很多的成果。人脸识别技术是通过采用特定的方法分析人脸的视觉特征信息来进行身份识别的一种计算机技术。相比于其它身份识别技术，人脸识别技术有着方便、友好、非侵犯性等优点，有着广泛的应用前景和研究价值。本文主要研究了压缩感知及其在人脸识别中的应用，并提出了几点改进，具体如下：（1）针对基于单层小波变换的压缩感知图像处理，在已有的改进算法的基础上，提出了两种新的改进方法：行列平均法和阈值法。其中行列平均法可以显著地提高图像的重构质量，但需要较长的运算时间；阈值法只能在观测值较小时提高重构质量，但所需要的运算时间要比行列平均法少。（2）针对SRC（Sparse Representation-based Classification）算法对遮挡人脸识别效果不佳的情况，提出了基于图像分块的SRC算法，在AR人脸数据库上的实验验证了该算法的有效性，并指出，需要仔细考虑分块的方法，才能最大程度地发挥该算法的优势。（3）为提高SRC算法的效率，对OMP（Orthogonal Matching Pursuit）算法进行了优化，将其中存在的大矩阵求逆运算转换为小规模的向量和标量运算，减少了运算时间，并在对AR人脸数据库的人脸识别中显著地提高了运算速度。