人脸识别,是一种基于人的脸部特征信息进行身份识别的生物识别技术。稀疏表示是人脸识别领域备受学者关注的一种重要的理论。在人脸识别领域里,数据集包含的样本是有限的,有限的样本难以反映人脸图像可能会出现的各种变化。其次,传统的稀疏表示分类算法在分类测试样本时通常只考虑一种约束而且时间复杂度比较高。为了增加数据集的样本,降低传统稀疏表示分类算法的时间复杂度,本文将提出了三种基于人脸对称框架的虚拟脸构造法、三种改进的稀疏表示算法和两种分数层融合算法。首先,三种虚拟脸构造法利用人脸是对称的这一性质设计出相应的构造虚拟脸的框架来构造虚拟脸样本,第一种构造法计算量比较小,在人脸图像旋转角度不大的情况下所构造出来的虚拟脸样本是有效的,可以很好地反映原始数据库人脸图像样本缺失的变化。如果人脸图像的旋转角度比较大时,后两种构造法的效果就比第一种要好,但是后两种构造法的计算量比第一种要大。其次,三种改进的稀疏表示算法采用组稀疏表示策略来降低算法的时间复杂度,并且在求解向量过程中,同时利用了l1和l2范数约束。在分数融合步骤,这三种方法不仅考虑来自不同分组的分数,而且分别从内积,外积,重构样本误差等三方面来反映不同分组之间的关系。往后的对比分析可知,三种改进方法各有千秋,通过融合不同分组的分数以及相应的内积,外积,重构样本误差可以增加测试样本被成功归到正确分类的概率。最后,设计的两种分数层融合方法是具有自适应性的融合算法。第一种融合方法把选定的测试样本纳入计算范围并为每一个分数计算出最佳的系数。第二种融合方法则额外设计了一个实数函数,它通过设计的实数函数与坐标轴所围成的面积来为每一个分数计算出最佳的系数。经实验检验发现,这两种方法的融合结果都能够很好地分类测试样本。不仅如此,在第六章实验设计部分,本文对上述设计的8种算法进行有效组合,并且把组合后的算法与其他6种最新的稀疏表示算法在五个人脸数据库上作比较。对比结果表明上述提出的算法都是合理的,并且可以获得较高的识别率。