由于人脸图像具有快速、直观、非接触、准确可靠等优点,已经被应用在国防安全、刑事侦破和商务安全等领域,是目前一个重要的研究领域。小波变换具有灵活的时频分析能力,已广泛应用于人脸识别。剪切波变换(Shearlet Transform)是一种源于小波又高于小波的多尺度几何分析工具,具有传统小波变换的多分辨率特性和时频局域特性,也克服了传统小波变换缺乏方向表达能力的缺点,并且能对图像进行稀疏表示,具有更高的表达效率。深度学习通过学习一种非线性网络结构,实现对输入数据的抽象表达,从构建网络结构来进行人脸识别。本论文针对如何获得人脸图像的有效特征获取,以提高识别率为目标,在shearlet域提出了两种人脸图像的特征提取方法,进而运用到人脸识别算法中。第一个工作基于剪切波变换对人脸图像进行稀疏表示的特性提出了基于非下采样剪切波(Nonsubsampled Shearlet Transform,NSST)和深度信念网络(Deep Belief Network,DBN)的人脸识别算法。创新点:(1)由于剪切波变换的稀疏表示特性提出在shearlet变换域进行特征提取,可以有效捕捉人脸图像的边缘信息,获得人脸图像丰富的纹理信息;(2)考虑到特征提取对识别结果的影响,提出了一种新的分块加权LBP算法,通过在shearlet域提取分块加权LBP特征,以获得更能表征人脸图像的特征;(3)基于深度学习的思想,选择深度信念网络对提取的特征进行学习并进行分类,以此减弱特征对识别结果的影响,不断提高识别率。实验结果表明基于非下采样剪切波和深度信念网络的人脸识别算法具有较好的有效性和鲁棒性。第二个工作是从深层特征的角度出发提出了基于shearlet域深层特征提取的人脸识别算法。创新点:(1)基于深度学习的思想,对人脸特征的特征提取方法进行改进,提出了shearlet域深层特征;(2)用shearlet域深层特征的结构表示人脸图像,使其具有人脸图像的判别信息;(3)将shearlet域深层特征与稀疏表示相结合,用稀疏表示进行分类识别;对该人脸识别算法性能进行了全面分析。实验中与目前的人脸识别算法进行比较,说明基于深层特征和稀疏表示的人脸识别算法的适用性和高效性。