人脸识别从狭义的角度来说,就是将给定人脸上的特征检测并提取出来,与己知类别的样本特征进行比对从而进行识别的过程,主要涉及特征提取和模式分类两方面的内容。特征提取和模式分类都是人脸识别中的关键技术,其优劣直接影响到整个人脸识别系统的性能。人脸图像的维数通常都比较高,如果直接对原始人脸图像进行分析,算法的复杂度会相对较高,而且对计算机的硬件设备也要求比较高,因此特征提取是人脸识别领域中需要解决的一个关键问题。分类器应该根据所选特征的特点进行设计,从而得到更精确的结果。目前,人脸识别已经得到了深入广泛的研究,一些相关技术成果也已经成功应用于各个领域,但其中依然面临着许多挑战,本文针对人脸识别中的特征提取和模式分类两个关键问题进行了相关的探讨,并在此基础上提出了几种更加有效的特征抽取方法和模式分类方法,通过将其与现阶段的主流方法进行比较,验证了本文方法的有效性。除了灰度图像人脸识别技术之外,本文对彩色人脸图像的识别也进行了一定的研究和分析。论文主要研究工作如下：(1)对稀疏表示和字典学习方法进行了研究,提出了一种基于字典学习的核稀疏分类方法。近年来稀疏表示方法和字典学习方法吸引了研究人员的广泛兴趣。受Metafaces方法的启发,提出了一种基于字典学习的核稀疏分类方法并成功应用于人脸识别。首先,借鉴Metafaces字典学习方法,在高维特征空间进行字典学习得到一组核变换后的字典基；然后,采用核技术将稀疏表示方法推广到高维空间得到核稀疏分类方法；最后,利用学习得到的字典基重构样本,并根据样本与重构样本之间的残差最小原则,利用核稀疏方法对人脸图像进行分类。在AR、ORL和Yale人脸数据库上的实验表明我们提出的方法具有良好的识别性能。(2)研究了线性回归算法和基于Gabor小波的特征提取算法,利用核技巧,提出了一种Gabor核线性回归的方法(GKLRC)。Gabor特征是在人脸识别中十分有效的识别特征,它对光照、表情变化比较鲁棒,并已在人脸识别领域得到成功应用。我们通过下采样方法,使用加强的Gabor特征与线性回归分类方法LRC相结合,针对人脸识别问题提出了Gabor核线性回归的方法。该方法不但继承了Gabor特征和线性回归方法的优点,同时通过核技术使得在非线性分布的样本上也能取得令人满意的结果。在几个标准人脸数据库上的实验结果表明我们提出的方法优于INaseem在2010年PAMI上提出的LRC线性回归等分类方法。(3)研究了反卷积滤波特征提取算法,提出一种反卷积滤波学习和字典学习相结合的分类方法,并引入到人脸识别领域。反卷积滤波通过对图像进行卷积滤波分解,可以得到图像不同层级信息,多用于图像表示。本文将反卷积滤波方法和字典学习方法相结合引入到人脸识别当中,通过实验,证实可以达到较好的识别性能。(4)分析了彩色图像不同色彩空间数据,提出多彩色空间典型相关分析的彩色人脸图像识别算法。目前很多研究表明,相对于灰度人脸图像,利用彩色图像的颜色信息能改进人脸图像的识别率。本文对二维的Contourlet变换特性进行了分析和讨论,利用Contourlet的多尺度、方向性和各向异性等特点,提出了一种基于Contourlet变换的彩色人脸识别算法。算法对原图进行Contourlet分解,对分解得到的低频和高频图像进行CCA分析得到投影系数,最后,采用决策级融合最近邻分类器对不同色彩空间的判别相结合完成彩色人脸识别。在对彩色人脸数据库AR的识别实验中,改进的算法优于Daubiches分解算法,而且在运行时间效率方面也有较强的优势。