伴随着众多研究者对人脸识别领域的深入研究,人脸识别技术的发展非常迅速。此外,人脸识别技术拥有着其他生物特征识别技术所不能比拟的优点,比如直接性、方便友好性以及高鲁棒性等。由此,关于人脸识别的应用也被逐渐推广到人们的日常生活中,不仅明显地提高了人们的工作效率,也保障了个人和集体的信息安全。但是,在人脸识别的发展过程中依然存在一些亟待解决的问题,比如一些环境干扰因素(例如光照、表情、年龄、肤色以及遮挡物体等)会影响到所采集的人脸图像的质量。由此造成训练样本数量不能满足识别算法的性能需求。许多研究者也提出了很多解决方法,其中虚拟样本生成算法和稀疏表示分类算法是最受关注的热门算法之一。本文经过重点研究构造虚拟样本方法与稀疏表示分类算法之后,提出了两种构造虚拟样本的算法,以增加训练样本数量。此外,还提出了三种改进的稀疏表示分类算法,以提高人脸识别率。本文利用人脸对称性设计新的虚构样本构造方法,并结合协同表示分类算法执行分类。该算法的目的是解决样本不足的问题,进一步改善人脸识别性能。其次,本文利用图像像素强度来设计一种以复数向量形式去描述图像,并由此生成虚拟样本。同时,采用协同表示分类算法,将原始训练样本和虚拟样本一同进行图像分类任务。在对稀疏表示分类算法进行了深刻理解和分析后,在此基础上,设计三种不同的改善算法,通过优化目标函数,提高人脸识别的准确率。本文提出的5种算法均在一些公共人脸和非面部数据库上做了大量的实验。除此之外,在每一次的实验中,都跟近几年比较常用的或最新的人脸识别算法进行实验对比。最后,根据这些实验数据,证实了本文所提出的算法均提高了人脸识别的性能。