自然场景下的遮挡人脸识别是真实人脸识别系统的挑战之一。真实世界中人脸图像的多因素变化可能影响遮挡人脸识别算法的性能,例如分辨率、光照、角度和表情等。自然场景下的遮挡人脸识别的难点主要在于:一方面是局部遮挡造成人脸信息获取不全,样本区分度小;另一方面是多样化的遮挡类型,不确定的遮挡区域和随机的遮挡位置对人脸识别的准确性产生巨大影响。所以针对自然场景下的遮挡人脸识别问题,本文提出两种新颖的算法来提高识别率。本文的主要工作如下:(1)针对光照、角度、表情和分辨率变化的自然场景中的遮挡人脸图像,本文将鲁棒特征与鲁棒分类器相结合,提出了一种新的基于梯度特征和类内约束稀疏表示分类的遮挡人脸识别方法。首先通过二阶梯度特征来提取人脸图像的纹理和轮廓,对于人脸遮挡更具鲁棒性。与真实世界中人脸图像的原始像素相比,该方法考虑了相邻像素点之间的关系,能够揭示人脸的内在固有结构。然后提出基于类内约束的稀疏表示分类方法以减小测试图像与特定类之间在梯度域中的距离。类内约束的本质是增加类间距离并减少类内变化。最后,将类内误差用作最终的分类标准。在不同人脸数据库上进行的大量实验证明,所提算法对自然场景下遮挡人脸图像的识别性能进一步提高。(2)为解决光照变化对人脸图像造成的阴影遮挡问题,提出一种光照鲁棒性的图像超分辨率算法。该算法将输入的真实世界低分辨率人脸图像和人脸图像训练集相结合,在低分辨率空间通过对角加载冗余转换,产生多种不同光照的低分辨率人脸图像,并进行局部几何位置约束重建,加权合成多种不同光照的高分辨率人脸图像。该算法不仅能在低分辨率空间中对具有阴影遮挡的人脸图像重建出良好光照条件下的低分辨率人脸图像,而且能够通过超分重建出良好光照条件下的高质量高分辨率人脸图像,同时降低了低分辨率和遮挡阴影对人脸识别造成的影响。(3)本文主要从理论成果和实际应用两个角度分析了自然场景下遮挡人脸识别的研究背景、研究内容以及存在的问题。其次主要从鲁棒性的特征提取、鲁棒性的分类器和深度学习三个方面详细介绍了现有的遮挡人脸识别算法的发展现状,并分析比较了这三类算法各自的优缺点。最后介绍了经典特征提取和分类方法的理论依据和实现过程,主要包括图像梯度特征、稀疏表示分类和协同表示分类三种算法,为本文所提方法提供良好的理论基础。