随着时代的进步与经济的发展,人脸识别在社会生活中扮演着越来越重要的角色,人脸识别研究的重要性主要体现在以下两个方面:一方面人脸识别作为图像识别任务的一种,它的理论研究成果很容易被泛化到其它工作。另一方面,发展到了今天的人脸识别技术已经广泛应用在了在安防监控、身份验证、人机交互等领域,在社会公共安全和国家安全中发挥了重大的作用。当今社会的发展对人脸识别技术得可靠性与稳定性提出了越来越高的要求。然而,现有的人脸识别技术尚不能完全满足社会的实际需求,基于这一迫切需求,本文开展了以下的工作:(1)提出了一种基于判别保持准则的字典学习模型,这一模型使字典和编码系数都获得了判别能力,并且判别局部保持准则使样本的局部流形结构得以保留,该模型最终学习到了一个结构化的字典以及结构化的编码系数,并通过字典重构误差以及编码系数误差共同监督分类。(2)提出了一种正交判别字典学习模型,这一模型中加入了字典的正交性约束项来达到降低字典的冗余信息的目的,并且模型中对编码系数的空间结构进行了约束,使其具有较小的类内散度。模型中不再强调编码系数的稀疏性,利用F范数作为编码系数的约束,大大降低了字典模型的计算时间。(3)提出了一种基于Volterra核的人脸识别方法。Volterra核作为一种非线性系统辨识工具,它也成功应用在了人脸识别中。但是传统的基于Volterra核的人脸识别方法在求解中会涉及到矩阵的求逆运算,本文提出了一种直接判别分析方案,在模型求解时采用两次的对角化过程,来寻找能够将人脸信号映射到最优特征空间的Volterra核函数,避免了传统方法的矩阵求逆问题。并且在分类时采用了一种投票分类的策略,将每一列的子特征单独地进行分类,最终将所有的分类结果投票来决定图像的识别结果。最终在Yale A、Extended Yale B、CMU PIE、AR和LFW人脸数据库上的实验结果表明该算法的有效性和在面对块遮挡噪声时的鲁棒性。