现实中采集到的人脸图像通常受到光照变化、表情变化、遮挡等非限制性因素的影响，这极大地影响了人脸识别的准确性。本文在子空间投影方法、低秩矩阵恢复理论以及Fisher判别准则的基础上提出了基于Fisher判别的结构化低秩字典学习的人脸识别算法。同时，针对人脸识别中的小样本问题，提出了基于镜像对称的奇异值重构的虚拟样本构造方法。　　本文首先对子空间投影方法、稀疏表示以及低秩表示基本原理进行了研究。其次针对子空间投影方法的局限性以及基于Fisher判别的字典学习算法存在的不足，提出了基于Fisher判别的结构化低秩字典学习的人脸识别算法。该算法首先利用子空间投影方法对样本进行降维，其次在字典学习过程中利用样本的重建误差约束样本与字典之间的关系，将Fisher准则应用到稀疏编码过程中，使其编码系数具有识别能力。同时，在低秩恢复理论的基础上将低秩正则化应用到字典学习过程中，并通过结构化稀疏系数对编码系数进行约束以保证对测试样本进行最优分类。最后针对人脸识别中的小样本问题及其对所提出的人脸识别算法造成的影响，提出了基于镜像对称的奇异值重构的虚拟样本构造方法。该方法将镜像对称变换方法与奇异值重构方法相融合，镜像对称保证了所构造出的虚拟样本对受到角度、姿态变化影响的原样本具有对称互补性，同时通过选择合适的奇异值数量进行重构，保留了原样本的主要特征从而构造出有效的虚拟样本，并模拟标准人脸数据库在样本量不足的情况下，通过虚拟样本来扩充训练样本集进行实验。　　实验结果表明本文所提出的字典学习算法在识别受到遮挡等非限制性因素影响的图像时具有一定的鲁棒性，在人脸识别方面具有可行性。所提出的虚拟样本构造方法在样本量不足的情况下可以有效地提高人脸图像的识别率。