随着近几十年计算机技术的不断发展,人脸识别技术得到了长足的发展。目前,已有产品往往是在近似于实验室的环境下完成识别操作。对于自然环境下的光照不均、表情变化等一系列不利因素带来的影响通用性较差。对于在自然光照等环境下良好工作的人脸识别系统的需求日益旺盛。一般而言,人脸识别系统包括图像预处理、人脸检测和人脸识别三个部分。预处理环节中去光照是一个很重要的组成部分。在诸多光照不均的补偿算法当中,基于Retinex理论的诸多衍生算法受到的人们的关注。不同于其他算法需要有先验样本进行训练,Retinex仅根据图像本身数据可以完成去光照工作。因此在人脸识别领域得到了广泛运用。人脸检测领域内,基于Adaboost理论的Viola-Jones人脸检测算法是一种经典的级联架构检测算法。它基于Haar-like特征进行计算,可满足实时处理的要求,同时还有着很高的检测率,成为了众多人脸识别系统中首选的检测算法。相比前述人脸检测算法,人脸识别算法在数量上有绝对的优势,经典的算法有主成分分析、线性鉴别法、支持向量机和隐马尔科夫方法等,而随着Donoho等人提出压缩感知理论(Compressed sensing),信号处理技术突破了奈奎斯特率的限制,开创了研究的新领域。随后,Wright和Yang等人将压缩感知理论成功应用到人脸识别领域中,提出了基于稀疏表示的人脸分类算法,并验证了该算法对于光照不均、局部遮挡和表情变化等不利因素有较高的鲁棒性。此外,由于稀疏表示算法可以利用信号的稀疏性,直接对高维度原始数据进行计算。对于人脸识别中的高维度数据有更好的适应性。本文研究覆盖了人脸识别系统的基本功能模块,内容涵盖Viola-Jones人脸检测、Retinex光照处理和改进的稀疏表示人脸识别三个部分。其中在人脸识别模块中,对经典稀疏表示算法进行改进,将其与PCA特征提取、Meta-face字典学习结合起来,提高了算法性能。最后,通过ORL、 Yale-B以及自建人脸库验证,并与现有经典人脸识别算法进行对比。