图像分类与人脸识别是计算机视觉分析领域的重要研究方向,其在人机交互、智能交通、军事安全等领域均具有重要的应用价值。稀疏表示方法由于其使用超完备字典对信号进行分解,因而对信号噪声和误差等具有良好的鲁棒性。本文在分析稀疏表示的图像分类方法的优缺点的基础上,对其进行了改进研究。首先,在图像表示分类问题中,为了高效地利用原始样本和虚拟样本的信息,提出了一种有监督的稀疏表示方法。该方法利用原始图像中相邻像素之间存在相似性的特点来获得虚拟图像,然后从由原始样本和虚拟样本组成的训练集中挑选出若干与待识别样本最接近的样本作为训练样本来表示待识别样本,排除了不利样本对表示过程的干扰。为了有效利用图像中中等强度像素的信息,通过对原始图像像素进行处理得到了像素强度集中在中等强度区域的虚拟图像;再通过联合原始样本和虚拟样本,大大增加了图像信息的利用率。这两种方法都利用到了虚拟图像作为训练样本,有效缓解了小样本问题对图像表示分类的影响。接着,提出了基于多尺度和竞争的图像分类方法。针对图像不同尺寸和噪声给图像表示分类带来不利影响的问题,首先联合不同尺度的噪声图像提出了一种多尺度协作表示方法来解决这个问题,多尺度噪声图像对图像分类中存在的噪声问题和多尺度问题有良好的鲁棒性;然后针对图像分类中不同类样本之间存在相互有干扰的问题,提出一种有识别力的竞争表示算法,算法通过简单的数学方法利用不同类别的训练样本之间的相似性和不同性,将与待测样本同类别的样本单独分离出来表示测试样本,有效解决了在表示方法中不同类样本之间存在相互干扰的问题。最后,研究了基于多重表示的人脸识别方法。为突出人脸重要部位的特征信息,利用原始人脸图像中相邻像素之间存在一定联系的特点,提出了多重协作表示方法,该方法首先得到能突出人脸面部特征的虚拟图像,然后再联合原始人脸图像和虚拟图像表示待识别人脸图像,该方法不仅充分利用了不同图像的信息,而且增加了表示的训练样本,缓解了小样本问题带来的影响;为充分利用可见光和近红外的人脸图像的不同信息,提出一种基于复矩阵的多重人脸表示方法,该方法将同一个人的可见光图像和近红外图像组成复矩阵,且能让占有更重要的特征的图像拥有更大的权重,然后再利用该复矩阵进行识别分类,该方法能利用不同类图像的优点得到更好的识别效果。课题针对图像分类和人脸识别中存在的光照、小样本以及噪声信息干扰等问题进行了研究,对每一种问题都提出了不同的解决方法,使图像分类和人脸识别具有更好的识别效果。