人脸识别是计算机视觉和模式识别领域的一个重要研究方向。人脸图像由于维数过高，训练样本少，及光照、表情、局部遮挡等不可控因素的变化，使人脸识别问题面临很大的挑战。特别在只有单个训练样本的情况下，训练信息更少，使得这个问题更加难解。因此在单样本人脸识别任务中如何充分利用单个训练样本的信息以及先验信息，对于该识别问题是关键的。针对这些问题，本文提出了一种基于区域Gabor特征的单样本人脸识别方法，即按人脸主要部位的分布对人脸进行区域划分，提取每个区域的Gabor特征，进行分区域识别。在FERET、AR和ORL人脸库上进行实验，验证了这种方法的有效性。之后，提出了区域特征融合的思想，在区域Gabor特征识别的基础上进一步引入区域LGBP特征，实验验证了区域特征融合方法比只使用一种特征能获得更好的性能。此外，为了充分利用单样本人脸的先验信息，提出了基于稀疏表示和线性回归的单样本人脸识别方法。该方法先计算出单个训练样本在辅助样本集上的稀疏表示，选出和训练样本近邻的几个人脸，计算出这些样本的类内变化，把它们和训练样本一起构成人脸模型，然后用线形回归分类器进行分类。用稀疏表示选择近邻人脸，考虑了人脸的几何结构，同时也有利于找出和训练图像表情或者姿态相同的人脸，计算出的辅助样本的类内变化更接近真实的训练样本类内变化。在AR和FERET人脸库上的实验验证了这种方法的有效性。