人脸识别技术因其非强制性、非接触性、隐藏性、并发性、高效性等特点,具有十分宽广的应用前景。然而实际应用当中,人脸识别技术仍然存在一些棘手的问题,遮挡问题是较为突出的一个。遮挡形式多样性导致了样本集特征空间中类内变化大于类间变化,使得待测样本丢失类别属性,造成分类困难。因此,本文对遮挡问题进行了深入的分析和讨论,并对现有算法进行改进,提出了3种鲁棒的局部遮挡下的人脸识别方法。本文主要工作如下:1、深入研究了稀疏表示理论和协同表示理论,并分别就其基本概念、模型以及算法进行了详细介绍,然后又分别阐述了它们在人脸识别领域中的应用。2、提出了一种基于分块图像相似性加权的遮挡人脸识别方法,通过协同表示系数度量分块图像间的相似性,以此来构造权值矩阵,然后再将样本集提取的韦伯特征映射到核空间,在核空间内进行加权协同表示分类。3、提出了一种基于残差加权的遮挡人脸识别方法,通过对图像分块稀疏表示,利用稀疏系数和重建残差构造权值向量,然后再将样本集提取的韦伯特征映射到核空间,在核空间内进行残差加权的协同表示分类。4、提出了一种遮挡区域去除的人脸识别方法,方法考虑到遮挡物的灰度值一般与人脸肤色的灰度值有差异性,因此可以从训练集样本图像与待测样本图像的差值图像中检测得到遮挡区域,然后利用稀疏表示分类方法对非遮挡区域进行分类。在流行的AR人脸库和Extended Yale B人脸库进行的实验,证明了本文所提方法在人脸图像局部遮挡下仍然具有较强的鲁棒性和较高的识别率。