有遮挡人脸识别是面向现实的人脸识别系统的一个关键问题,其困难性主要在于遮挡会造成局部特征的损失,并容易引发与人脸局部特征的混淆。长期以来,一种主流的观点认为:特征提取方法并不能有效处理人脸图像中的遮挡问题。然而,近来的研究表明特征选择和提取对解决有遮挡人脸识别问题不仅非常重要,而且无须显式地表示或检测遮挡。因此,本文主要研究有遮挡人脸识别的特征选择和提取方法。本文主要做了如下两个方面的工作:(1)为了有效分离遮挡与人脸图像,实现人脸图像中有效特征的选择,提出了基于SVD的Gabor遮挡字典学习方法。针对因遮挡、光照等变化因素所引发的协变量偏移问题,从字典编码的角度出发,研究分析基于K-SVD字典学习方法的不足:计算代价较高、冗余性较强、缺乏针对自然遮挡的结构性,本文提出了基于SVD的Gabor遮挡字典学习方法,改进了K-SVD的不足。通过K-均值、K-SVD与SVD三种计算方法的比较,验证了SVD的优势所在。实验结果表明,相对于基于K-SVD字典学习方法的分类方法,基于SVD字典学习方法的分类方法在各种情形下具有更好识别性能。(2)提出了一种对遮挡鲁棒的特征表示方法:自适应韦伯脸。基于Wright等提出的鲁棒特征提取的两个指导性原则:局部性和冗余性,分析了两个韦伯比的特点,指出它们分别有利于提升特征表示的局部性和冗余性。基于这两个韦伯比,提出了自适应韦伯脸(AdapWeber),使得其所提取的特征同时拥有冗余性和空间局部性。为了进一步提高自适应韦伯脸的冗余性和空间局部性,对自适应韦伯脸进行多尺度多方向(Multi-Scale and Multi-Orientation,MSMO)拓展,提出了多尺度多方向的自适应韦伯脸(MSMO-AdapWeber)。实验表明,MSMO-AdapWeber提取的特征具有很好的遮挡鲁棒性,尤其是当遮挡比例较高或者输入图像的维数较低时。在Extended Yale B、AR、UMB-DB等基准数据库上对本文提出的两个方法进行了大规模测试,并将其与相关的主流方法进行比较,验证了本文所提出的两个方法的有效性。尽管本文的主要工作仍然是基于传统的手工设计的特征提取方法,但与近来流行的深度学习方法(如PCANet)相比,本文的方法仍取得一定的性能优势。在未来的研究工作中,我们将进一步关注以卷积神经网络为代表的深度学习方法对遮挡的鲁棒性。