人脸识别技术是生物特征识别的重要分支之一。人脸识别时特征提取的粒度信息变化,是一个由粗糙到精细的过程。在此过程中,特征变得更加有代表性,决策也将变得越来越容易,但是花费的时间也随之不断增加。同时,人脸识别也是一种典型的代价敏感问题,一个没有权限的人被错误的允许进入机密机构,会造成的巨大的损失。为了解决这一问题,本文首先提出基于代价敏感分层极限学习机的图像识别算法。分层极限学习机将多个极限学习机稀疏编码器叠加进行特征提取,再运用极限学习机进行分类。该算法具有计算复杂度低,准确度高等优点。文中分析了分层极限学习机的特征提取过程为由粗到细的连续粒度特征结构,并依此结合序贯三支决策方法分析决策成本和时间成本间的关系得到人脸识别的最小总代价。这一定程度上可以避免因信息不足时做出错误决策而产生的巨大代价。序贯三支决策模仿人类动态决策过程,在连续粒度结构的每一层进行三支决策。本文对多层极限学习机的每层分类中增加边界域,通过对每一层网络进行贯序三支决策得到最小总成本。在保留极限学习机速度快、泛化性好的优点的同时解决了分层极限学习机无法提供边界和代价不敏感的问题。通过对总体代价成本的计算,与其他传统的深度学习网络结构算法进行对比,实验结果表明本文提出的分类算法对图片的识别性能较好,且成本较小。此外,本文将研究的代价敏感分层极限学习机应用于人脸识别任务上,提出了基于分块稀疏表达的代价敏感人脸识别算法。算法先将人脸图像进行恰当的分块,独立的子块可以对含有遮挡物的部分进行有效分割,也能使有效信息尽可能的发挥作用。然后,各个分块构建训练字典后并通过分层极限学习机进行训练,最后运用适合人脸的稀疏表示分类进行三支决策。实验结果表明本文提出的人脸识别算法对含有噪声的人脸图像有较好的识别效果,且成本较小。