人脸识别(Face Recognition,FR)与其它人体生物特征识别相比具有明显优势,在身份识别、自助服务、信息安全和视频监控等方面具有广泛的应用。在理想环境下,人脸识别系统具有较好的鲁棒性。然而,当待识别的人脸存在明显的亮度、表情变化以及遮挡等非受控因素影响时,识别系统性能急剧下降。近二十年来,面向非受控场景的人脸识别成为模式识别领域的研究热点问题。近年来,基于稀疏表示分类的人脸识别因其良好的鲁棒性受到了人们的关注。尽管稀疏表示分类对于解决受高斯噪声污染的人脸识别具有明显的效果,但是在图像被强噪声损坏时的性能会大大降低。围绕强噪声干扰条件下的鲁棒性人脸识别,本文开展了基于稀疏表示字典与低秩表示的人脸识别方法研究。本文的主要工作与贡献包括:(1)基于稀疏编码和低秩表示的人脸识别方法研究。主要完成了对相关分类算法和低秩矩阵恢复算法的实验仿真,为后续研究工作的展开奠定基础。首先深入研究了几种特征提取算法、稀疏编码、低秩分解的基本理论和具体算法;然后对无遮挡人脸图像采用全局或局部的特征提取算法,并结合相应的分类算法进行系统仿真,比较了各分类算法的性能;最后针对遮挡人脸识别进行了仿真,分析了各算法的鲁棒性。(2)基于特征增强的稀疏编码人脸识别方法研究。鉴于低秩矩阵恢复可对图像噪声进行有效去除,针对受噪声污染人脸识别问题,提出一种基于低秩矩阵恢复特征增强的稀疏编码人脸识别方法。算法的关键在于寻找更好的去噪算法以恢复出干净的人脸图像。针对鲁棒主成分分析只适用于单一人脸子空间,而低秩表示仅从列方向恢复了矩阵的主要信息而未考虑矩阵的显著信息的不足,本文采用隐式低秩表示来获得更全面的人脸信息。大量实验结果显示,提出方法得到了更好的识别效果,对噪声具有更强的鲁棒性。