人脸识别是一门热门的计算机技术，是一种生物特征识别技术，主要用于身份识别。由于视频监控技术的不断发展和普及，人脸识别无疑是身份识别的最佳选择。采取快速的人脸检测技术从监控中找到图像，并与人脸库进行对比，从而实现身份的快速识别，这被广泛运用到公安刑侦破案、门禁系统、监视系统、身份识别和支付系统等。　　在本文中，我们通过稀疏表示进行人脸的分类识别。稀疏表示的人脸识别对字典库要求很高，而现实生活中我们在获取字典的过程中，往往会受到光照、表情变化等各种因素影响。针对这种情况，我们提出了通过低秩矩阵分解和小波阈值函数处理的两种算法，并取得了良好的效果。全文结构如下：　　1.综合阐述了人脸识别的研究背景，并介绍稀疏表示、小波分析及人脸识别的研究现状。　　2.介绍了稀疏表示和低秩矩阵分解理论及几种求解算法。为了提高稀疏表示在人脸识别的精度，对采集到的人脸图像进行低秩矩阵分解，得到低秩矩阵和稀疏矩阵。通过去除稀疏矩阵，得到一个高度相关性的低秩矩阵的样本，对样本进行稀疏表达后进行人脸识别。　　3.我们提出了基于低秩矩阵分解和稀疏表示的人脸识别算法的基本流程。并在Yale和ORL人脸数据库上进行实例验证，能对人脸中的噪声在保留原图像信息的情况下很好的去除。并对比了 K-最邻近算法(KNN)、稀疏表示算法(SRC)和基于低秩矩阵分解和稀疏表示的算法(LDRC)，得到LDRC比其他两种算法有着更好的识别率。　　4.针对稀疏表示在人脸的识别应用，我们引入小波阈值函数。通过小波分解得到小波系数，对小波系数采用改进的阈值函数进行处理，然后将图像进行重构。通过这种方式，可以达到对图像噪声的去除和人脸字典库图像的更新，我们再利用更新的字典库对输入的图像进行稀疏分类识别。并采用数值模拟实验在人脸库进行验证，可知通过小波分析更新人脸库后有着更高的识别率。