人脸识别是模式识别和计算机视觉领域的一个前沿课题，由于其具有非接触性、隐蔽性、易于理解以及图像采集设备成本低等优点，已经被越来越多地应用于安全监控、人机交互、人工智能以及电子商务安全中。近年来，基于稀疏表示的方法在人脸识别方面取得了较好的效果，得到了越来越多研究者的关注。本文在分析总结国内外相关研究的基础上，从特征提取和字典学习两个角度出发，研究了两种改进的稀疏表示人脸识别算法。
　　针对全局特征对光照、表情、姿态等复杂变化鲁棒性差，不能很好地描述人脸特征，以及学习多个与类别相关的字典导致计算复杂度高等问题，本文研究了增强Gabor特征结合标签一致字典学习的稀疏表示人脸识别算法，对原始的标签一致字典学习算进行改进。首先提取人脸的增强Gabor特征初始化特征字典;然后在具有判别性的特征集上进行标签一致字典学习，通过优化求解同时得到全局最优的判别字典和线性分类器;标签一致约束提高了稀疏系数的判别性，使得来自同一类别的样本具有相似的稀疏系数，通过一个简单的线性分类器就能得到良好的分类性能，提高了识别的速度。实验结果表明该算法具有较高的识别效率，并且提高了原始标签一致字典学习的人脸识别精度。
　　针对基于单一特征的人脸识别算法没有充分利用人脸信息，以及大多数字典学习算法的每一次迭代都需要遍历整个训练样本集，计算代价高，收敛速度慢等问题，本文研究了融合特征结合子模字典学习的稀疏表示人脸识别算法，对原始的子模字典学习算法进行改进。首先提取PCA特征初始化全局特征字典，提取Gabor特征初始化局部特征字典;然后将特征集映射到相应的无向图上，通过优化求解单调递增的子模目标函数得到两个判别字典，提高了字典训练的速度;最后融合预测分类系数得到测试样本的类别信息。实验结果表明，该算法具有较快的字典训练速度，并且提高了原始子模字典学习的人脸识别精度。