人脸识别技术是目前模式识别领域的一个重要研究方向，因其非接触性，易于接受，不易发现且识别率较高等优点被广泛地应用到社会各个领域。基于图像稀疏表示的人脸识别方法是现阶段计算机视觉和模式识别领域的一个研究热点。然而现有的稀疏表示算法在训练样本图像含有光照、表情、姿态、遮挡等误差或被噪声污染时识别率较低，并且在训练样本较少的情况下，分类器对测试样本进行分类时极易出现异常值，进而降低了稀疏表示算法的识别性能。针对现有算法在样本图像受到噪声污染和训练样本数量较少的情况下识别率不高的问题，本文主要研究内容如下：1)在训练样本图像受到噪声污染的情况下，针对SRC算法采用单位阵作为误差字典不能很好地描述图像的噪声和误差，本文采取低秩矩阵恢复(LR)算法把训练样本分解成一个低秩逼近矩阵和一个稀疏误差矩阵，由低秩逼近矩阵和误差矩阵组成一个过完备字典。求取测试样本在该字典下的稀疏表示。基于测试样本的最稀疏表示系数和字典，对测试样本进行类关联重构，并计算其类关联重构误差。最后，基于类关联重构误差，完成测试样本的分类识别。LR算法的优越性在于不但可以解决人脸图像受到噪声污染的问题，而且还有效地解决了小样本问题。2) Gabor小波在不同方向和尺度上对图像的表示特性与人类视觉系统的相关特性非常相似，因此，Gabor小波提取的图像特征更加适用于图像表示。在LR算法得到的误差字典的基础上，本文采用Gabor变换对每一个训练样本图像及其对应的误差图像分别进行处理得到Gabor特征向量，用新得到Gabor特征向量构成字典，该字典可以进一步的提高对测试样本(经过Gabor小波处理过的)的稀疏编码能力。相似的，基于最稀疏编码系数和Gabor字典重构测试样本，进而完成测试样本的分类。3)在训练样本和测试样本均受到噪声污染的情况下，本文提出一种图正规则化低秩恢复稀疏表示(GLRSRR)算法,该算法可以有效地从受噪声污染的样本图像集中恢复出一个干净的人脸图像集和一个鲁棒性很强的误差字典，这个干净的人脸图像不但具有更强的判别信息，而且还可以保持原始数据的局部几何结构。得到干净人脸图像后，用PCA算法对其进行处理，得到投影空间，进而把训练样本图像和误差字典投影到该空间内，用投影后的数据构成字典，并求取测试样本在该字典下的稀疏表示，同样，基于测试样本的最稀疏表示系数和字典，完成测试样本的分类。最后，在CMU PIE、Extend Yale B和AR数据库上的大量实验结果表明，本文提出的人脸图像识别方法具有较高的识别率和更强的抗干扰能力。