随着人类社会在上个世纪大步迈入数字化时代,以人脸识别为代表的模式识别(PR)、机器学习(ML)等学科获得了科研学者的广泛关注,展现出了前所未有的巨大价值。在众多新兴的人脸识别算法中,以稀疏(sparsity)和低秩(low-rank)学习为代表的重构性人脸识别算法,凭借其较为优良的性能和对外界噪声较强的鲁棒性获得了科研学者的追捧。本论文聚焦于提升低秩表示算法的局部和全局特征学习和融合的能力,同时为线性的低秩表示算法提供更强的非线性特征学习能力,尤其为隐含于人脸中的局部流型特征信息。首先,论文第一章对人脸识别技术的研究背景、意义及国内外研究现状进行了简单的介绍,接着介绍了现阶段人脸识别研究中面临的问题与挑战,随后简述了本文的内容安排。随后,论文第二章提出一种基于核局部保持低秩表示的人脸识别算法。该方法可以视为是低秩表示的非线性拓展版本,同时在Tikhonov正则化约束的帮助下将人脸样本中的局部流型结构信息引入到低秩表示算法中,用以提高低秩表示算法的全局和局部特征信息融合。接着,论文第三章提出一种基于双张量核字典学习的低秩表示人脸识别算法。该算法是针对重构性人脸识别算法中,张量理论尚未被引入,存在着较大的技术空白而提出的。该方法通过引入张量核对人脸图像中隐含的高判别性特征信息进行学习和重构,同时,为了提高算法的统一性,本章中提出了基于双张量核的局部保持投影算法,与提出的算法进行无缝对接。接下来,论文第四章提出一种基于核技术低秩融合字典学习的人脸识别算法。鉴于字典学习的分类能力是基于原数据空间中的数据全局和局部结构和特征,本章中提出的创新性方法可以在训练样本集中获得一个具有高判别性的字典用于低秩表示算法发挥其寻找样本空间中的最低秩解,提升算法的人脸识别率。第五章对本论文所提出的算法和所研究的问题进行了总结和展望。