随着现代科学技术的不断发展,人脸识别越来越受到了人们的关注,正成为国际性的研究热点。人脸识别整个过程主要包括图像预处理、特征提取以及模式分类3个阶段,其中特征提取与模式分类两个步骤最为关键。特征提取阶段,K_L变换算法较为经典,它是一种基于全局性的特征提取算法。与之相对应的是基于局部性的特征提取算法,稀疏编码算法即是一种基于局部特征提取的算法,它有着减少冗余数据,增强数据鲁棒性等优点。模式分类器可以分为非线性分类器与线性分类器。支持向量机是一种线性分类器,它在小样本数据中分类效果是最佳的,被广泛的应用在人脸识别中。稀疏编码算法虽然有着许多优点,但现阶段稀疏编码算法迭代时间长,效率较低,本文提出了一种高效0范数稀疏编码算法,在模型的间断点连续开拓后进行求解,大大提高算法的运算效率。由于将稀疏编码算法运用到人脸识别中,模式分类阶段是必不可少的,因此本文中还对模式分类阶段的支持向量机进行简单的研究,最终对模型中惩罚参数的选择进行改进。最终利用高效0范数稀疏编码算法并结合改进后的支持向量机组成一种新的高效的人脸识别方法。为了验证本文提出的0范数稀疏编码算法的高效性,将与NMFs算法进行比较,实验在ORL人脸库上进行。最终的实验数据表明本文提出的0范数稀疏编码算法在收敛速度上优于NMFs算法,大大缩短了整个算法的迭代时间。对支持向量机惩罚参数的选择也进行了实验,最终得到了一种选择惩罚参数的方法,即对表情姿态不丰富的人脸库我们可以相对随机的选取矫正系数矩阵,对表情姿态丰富的人脸库我们选取较小的g所对应的矫正系数矩阵。