人脸识别是计算机视觉领域研究的热点问题之一。由于严重的遮挡、光照变化、复杂的背景等因素使得人脸识别研究具有挑战性。近年来基于图像集的人脸识别算法得到越来越多的关注，由于每一段视频序列都伴随光照、遮挡、姿势等变化，因此它能够更好的处理显著变化带来的挑战。　　本文提出了一个有效的一致稀疏表示方法。首先，我们验证了这样一个先验：属于同一类的图像应该作为一个整体，因此来自同一个测试序列的图像被作为一个整体，它可以由样本数据中的一类或几类样本线性表示。同时考虑样本数据和测试集合的组稀疏性，即标签一致性。其次，本文提出用新的混合范数lF,0来刻画恢复系数，目的是使得测试集合能够由样本数据中同一类图像来表示，这样得到的恢复系数具有很好的块状结构，根据非零元素对应的种类判断出测试集合所述的类别。然后，由于lF,0范数是不连续的，我们提出了新算法来求解恢复系数，通过引入辅助变量来扩展原始项，使得lF,0更好的近似l0范数。　　最后，在COX、Honda等具有挑战性的数据库上与六种算法进行对比实验，大量结果表明一致稀疏表示算法比其他算法效果更显著，对遮挡、姿势变化等更加鲁棒。此外，我们将一致稀疏表示算法应用到追踪框架上，引入一种新的策略，通过对每一个候选图像块儿构造视频流，同时构造非目标基底将问题转化成二分类。在公开的测试序列上，将我们的算法与传统的四类算法作比较，我们的算法取得不错的效果。