人脸识别的难点在于光照,姿态以及表情等变化给识别带来的不确定性,由于这些不确定性,之前人脸识别作为一个经典课题虽然经历了数十年研究,却仍然没有出现有效的解决方法。然而近年来,人们结合计算机视觉和模式识别等领域的新进展针对光照和姿态变化尝试了各种研究方向和思路,并取得不错的效果。本文主旨在于研究稀疏表达方法解决人脸识别中的光照和姿态不确定性的问题。　　 首先,我们介绍了两种稀疏表达方法,即向量的稀疏表达方法(压缩传感)和矩阵的稀疏表达方法(低秩矩阵分解),作为是目前应用统计学和信号处理领域研究的热点问题,这两种方法在人脸识别技术中的应用前景十分广泛。其次,在基于向量稀疏表达的人脸识别算法基础上,作者提出基于马氏距离的非负稀疏表达算法并应用于人脸识别:通过引入马氏距离可以得到更灵活的误差度量方法;而通过引入非负约束,使非负稀疏成分主要集中在与测试样本相似的训练样本上。实验结果显示该算法的改进对多位姿及光照变化下的人脸图形样本都取得了更高的识别率。随后在文章第三章,我们对矩阵的稀疏表达提出一个改进模型:通过引入Markov随机场,新的模型给出了矩阵分解中稀疏成分的连续性约束和相应的求解算法。相关实验部分证明将该模型用于解决人脸识别中的阴影去除问题后,对识别结果带来了很大的提高。除此之外,该章实验部分还尝试了该算法移除一般性遮挡的可行性。最后,本文对文章涉及的稀疏表达算法和改进进行了简单的回顾和展望。