人脸性别识别是计算机视觉和机器学习的热门研究课题。但人脸性别识别也是一个具有挑战性的课题。因为男女的脸部特征的差别极其细微,使得通过人脸自动判别性别较为困难。另外目前大多数的人脸性别识别算法对自然环境下的图像进行识别的效果并不理想,识别正确率与实际应用差距较大。围绕这些问题,学者们进行了不懈的探索。但人脸性别识别正确率仍然偏低,无法满足现实的需求。为了更好地处理自然环境下的人脸图像,本文采用低秩分解和协同表示来提高人脸性别识别的正确率和鲁棒性。其中低秩分解算法能对齐一组线性相关的人脸图像,并能够降低图像的噪声,去除图像的遮挡。使得提取的特征能够很好地反映图像原有的信息。该算法的有效性在本文的实验部分得到了证实。另外在识别环节,采用稀疏表示的改进算法—协同表示,由于稀疏表示类算法对于特征的选取不敏感,现有的特征提取算法都可以作为稀疏表示类算法的特征输入,而不会引起识别正确率的波动,另外其使用2l范数替代1l范数优化问题易于求解,使得协同表示识别耗时少于稀疏表示。本文的研究内容如下:(1)调研了常用的人脸性别提取算法和人脸性别分类方法,并对经典的人脸性别识别系统进行了重现,对比了各个识别系统的识别正确率,并分析了各个性别识别系统的优劣;(2)提出了针对人脸性别的稀疏表示方法,并进行了对比实验,文章中主要对比了SpaRSA和L1LS两种算法,SpaRSA算法时间复杂度低但识别率相对较低,L1LS则反之;(3)提出了低秩分解和协同表示算法,低秩分解算法对自然场景下的人脸图像进行对齐和去噪,得到去噪对齐后的人脸图像;识别阶段,本文引入协同表示进行人脸性别识别,相对于稀疏表示,协同表示有着同样的识别正确率但识别耗时却远远小于稀疏表示算法,其主要主要原因是因为协同表示中使用2范数代替1范数求解稀疏系数,从而使得系统的时间复杂度大幅度下降,同时协同表示又引入了双重判断标准,使得耗时减少的同时识别率几乎不受影响。协同表示的耗时与其它稀疏表示算法的耗时可参考第三章的实验结果。最后本文将LRDCR算法与现有的人脸性别识别算法在YouTube数据库上(该数据库为非限制条件下的数据库)进行了对比实验,本文提出的方法明显优于其它方法,也印证了本文算法的有效性。