人脸识别一直是图像处理领域经典的研究课题，因其具有成本低、无侵犯性、易操作等优点，在身份认证、安全监控等领域得到了广泛的应用。人脸识别的发展带动了计算机视觉、机器学习等多领域的快速发展，具有重要的研究意义。
　　当前的人脸识别算法都是建立在大批样本的前提下，利用统计学习原理，合理地对低维数据进行分析整合，但在处理高维数据时效果不佳。压缩感知理论的出现打破了人脸识别的瓶颈，通过充分利用信号稀疏性的采样理论，克服了采样数据量巨大、数据维数过高等问题。该理论最经典的算法就是稀疏表示分类算法，通过直接处理原始数据，避免了图像预处理时信息的丢失问题。
　　当人脸发生遮挡时，现有的理论不能确保信号的准确恢复，进而影响识别效果。因此本文的主要研究内容就是针对图像存在遮挡的情况下，改进了一种基于稀疏表示的人脸识别方法，将遮挡图像和样本集图像以相同的分块方式进行处理，分别对每一小块图像进行识别，通过计算残差值得到识别结果。识别的过程中利用一个非常稀疏的随机测量矩阵，运用稀疏度自适应匹配追踪算法来进行信号的重构，在不需要获悉信号稀疏度的前提下，通过不断地迭代估计出信号的稀疏度，从而解决实际生活中信号稀疏度不定的情况，达到提高识别精度和鲁棒性的目的。
　　在AR标准人脸库和自建人脸库中对提出的改进算法进行验证，实验结果表明，改进后的算法能够很好的弥补发生遮挡时带来的不利影响，比传统的人脸识别方法更加准确，数据运算量小，运算速度更快。