随着人工智能大数据技术的飞速发展,人们对工作效率、信息安全开始有着更高的要求,生物特征识别也逐步在公安系统、银行、海关等领域拥有更广泛的应用场景。其中人脸识别技术凭借其唯一性、过程友好和操作简单等优点,吸引了众多国内外研究学者的关注。但由于人脸图像本身容易受到外物遮挡、表情姿态和光照环境变化等因素干扰,导致稳定执行分类存在一定的困难。稀疏表示和字典学习算法是人脸识别领域的重要理论之一,该类方法应用于识别人脸能克服以上问题且有较好的鲁棒性。然而,稀疏表示算法应用于人脸识别时也存在需要进一步改进的地方。人脸图像采集过程中的环境干扰可能损害图像质量和数量,使得人脸识别成为小样本问题。此外,大多稀疏表示算法求解稀疏编码问题时需要已知稀疏度或最近邻数,使得算法的实际应用受到限制。因此,更好的求解稀疏编码、使用更合理的方式缓解小样本问题对于提高稀疏表示算法的人脸识别率有着重要的研究价值。本文经过对基于稀疏表示理论的人脸识别经典算法的深入研究学习,提出两种改进算法以求进一步完善以上问题。首先,提出基于稀疏自适应匹配追踪的稀疏表示算法用于人脸识别。该算法通过迭代更新的方式来自适应地探索有效训练样本和稀疏编码的最优解,避免人为地设置稀疏度。此外,算法采用两阶段分类策略以提高类概率分布的差异性,有监督地缩小待识别标签范围,在一定程度上减轻了训练样本中噪声的干扰,从而提升了人脸识别率。其次,提出一种基于样本多样性和原子局部性的判别性字典学习算法。实际中不充足的训练样本会使得字典难以学习到全部有效特征或易受到训练样本中噪声的干扰,进而导致算法判别能力不足或鲁棒性差。该算法使用多种方式生成虚拟样本,同时加入误差模型控制虚拟样本的合理性,从而通过恰当的虚拟人脸丰富样本多样性。此外,本文采用原子的图拉普拉斯矩阵保存人脸数据的局部结构信息,并在字典学习中提升原子的辨识力,使学习得到的字典更具有判别性。最后,本文所提出的两种改进算法均在公开人脸数据集上进行对比验证,实验结果表明上述算法可以获得较高的人脸识别率。