人脸识别算法是本文研究的重点问题。人脸图像的特征提取对识别算法是非常重要的。在大量的研究过程中,人脸图像的特征提取得到很好的发展,对影响识别率的因素有了深入的了解,本文通过对压缩感知理论的研究,改进了一些人脸图像的特征提取算法。通过改进的人脸图像的特征提取还能很好的对人脸图像进行数据的降维,提高了算法的执行速度。通过各种算法的比较,利用压缩感知理论与稀疏表示分类算法结合,改进了人脸的识别算法。综合起来,本文的主要工作有：1.首先介绍人脸识别的用途,叙述目前随着网络技术的发展,人们的身份信息认证需要变得越来越严谨,然后再介绍人脸识别的背景和发展现状以及一些比较常用的人脸识别的算法。2.网络的生物特征信息认证,尤其是在人脸识别方面,人脸库的大小需要满足实际的生活情况。本文重点研究小样本下的复杂环境人脸识别算法。将目前比较实用的压缩感知理论并引入到人脸识别的算法处理过程中,降低信号的特征采样率,提高人脸识别率和算法的识别速度。3.将引入的压缩感知特征采样与稀疏表示分类算法相结合,改进人脸的分类识别算法,并分析压缩感知理论应用的好处。人脸识别算法的实验主要在ORL人脸库和Yale database人脸库上,对稀疏表示分类算法以及和压缩理论相结合的两种算法做实验对比,分析改进后的人脸识别算法的优势,实验的样本存在一定的干扰噪声,能够很好的检测本实验算法对干扰噪声的鲁棒性。实际的应用中人脸的样本库一般是小样本在1到5张图片左右。实验的结果表明在满足实际应用的基础上,每类人脸的个数在5个图像是最好的,在这种情况下人脸信息的验证对周围的环境具有一定的鲁棒性,能够满足网页的身份信息认证。4.基于上述的研究工作,研究了一种基于Web的人脸身份认证系统。系统采用B/S架构,只需在客户端安装摄像头,在网页前台使用图像的采集控件进行人脸图像的分割提取,利用在后台利用人脸身份认证系统中的人脸识别模块进行人脸识别就能够完成身份信息的认证。