人脸识别技术一直是图像处理领域中较为热门的课题,随着压缩感知(Compressed Sensing, CS)理论的兴起,稀疏表示成功的用于人脸识别,并且,与传统的人脸识别方法相比较,基于稀疏表示的分类方法(Sparse Representation Classifier, SRC)省掉了特征提取这一步骤,并且对噪声、光照、遮挡等具有一定的鲁棒性。目前基于SRC方法的一些研究也不断在壮大。本文也在SRC方法的基础上进行了相关研究,主要工作如下：(1)对特征提取进行了研究,虽然基于稀疏表示的分类方法不需要专门进行特征提取,但是具有代表性的特征无疑能更好的表征样本,所以本文将Gabor变换与一种较为成熟的特征提取方法PCA相结合,Gabor变化能提取不同尺度和方向的纹理特性,PCA能从这些纹理特征中提出冗余信息,得到更加精炼的特征。(2)对压缩感知、稀疏表示的原理进行了研究,针对传统正交匹配算法和库函数进行稀疏系数求解时出现的负系数和稀疏性不够好等问题,提出了一种基于免疫学的正交匹配追踪算法,通过实验证明该方法很好的解决了传统方法中存在的问题。(3)引入字典学习的框架,研究了Metaface, K-SVD以及改进的K-SVD方法的原理,字典学习框架的引入,颠覆了传统字典的概念,与传统字典相比,经过学习之后的字典极大地减少了原子的数目,并且使样本在这个新的字典集上的投影更加稀疏,提高了识别性能。(4)深入研究了核稀疏表示分类算法,该算法通过核技术将样本投影到高维空间,在高维空间对样本进行稀疏表示,改变了样本的分布,测试样本能通过来自同一类的训练样本的线性组合得到更好的稀疏重构。稀疏系数中的非零元素也将会和同测试样本来自同一类的训练样本的联系更加紧密,从而提高了识别性能。本文的研究包括特征提取,字典学习和分类识别三个模块,将特征提取与核稀疏表示结合,字典学习与和核稀疏表示结合,提高了算法的性能,并在ORL人脸数据库,Yale人脸数据库,AR人脸数据,FERET人脸数据库以及USPS手写体数据库上进行了大量的实验,与现有的算法进行比较,证明了本文算法的价值。