人脸识别作为生物特征识别的一个重要分支，近年来受到广大研究者的关注，取得了较快的发展。在一些实际应用中，每人只能获得一张图片作为训练样本，但大多数人脸识别方法在单个训练样本条件下识别性能急剧下降。本文针对单样本条件下人脸识别性能不够理想的问题，对单样本人脸识别进行了研究，主要内容如下：1.介绍了人脸识别的研究背景及国内外研究现状。对现有的单样本人脸识别算法进行总结，分析其优缺点。2.提出了结合多种样本扩充方法和改进的二维主成分分析(2DPCA)的人脸识别算法。用多种样本扩充方法来生成虚拟样本，以充分利用单一样本所提供的信息。采用改进的2DPCA方法对生成的虚拟样本进行特征提取，对训练样本进行分块，并用类内平均值规范后的分块来构造总体散布矩阵。所提出的方法在识别性能方面优于普通的2DPCA方法，优于单一的样本扩充方法。3.当人脸库中只有一幅训练样本时，人脸识别效果不够理想，特别是当人脸受到光照变化影响时，识别率更是急剧下降。用非下采样Contourlet变换(NSCT)提取光照不变特征，能提高光照变化条件下单样本人脸识别的识别率。为了进一步消除局部阴影对最终识别的影响，提出串行的局部匹配策略，先用整幅图像进行粗略匹配，以决定是否需要进行下一层分类,即结合整体特征及各子块的分类结果。串行的局部匹配方法能有效地解决单样本人脸识别的光照问题，该方法在提高识别率的同时，加快了识别速度，达到了识别精度与速度的平衡。