近年来，生物识别技术在生活、金融、法律、刑侦等应用场景中的需求越来越高，而人脸识别技术以其特征信息丰富、便于采集和高精度等优点成为最受欢迎的生物识别技术。实际应用场景中的人脸识别系统多为小样本问题，即人脸数据库中的每个人脸类别仅能采集到少数样本，我们统称这一类问题为小样本人脸识别问题（FFR）。通常，人脸图像的采集是建立在非可控自然条件之下，往往带有光照、表情、姿态、遮挡等多种变化，因此，复杂变化情况下的小样本人脸识别问题（FFRUCC）是目前人脸识别的重要研究方向。本文针对 FFRUCC 问题进行了深入的分析，基于对现在已有算法的改进，提出了两个新颖且有效的FFR方法，其主要的研究工作与创新点如下：
　　1）提出了一种联合稀疏表示（SRC）和卷积神经网络（CNN）的小样本人脸识别算法（BDL），利用整体结合局部的思想构造稀疏字典以解决FFR问题。该方法首先对人脸图像进行预处理，根据人脸关键点进行五官定位和人脸对齐，并将样本图像切割成四个局部区域来进行样本增强；接着利用卷积神经网络提取更具有辨别性的局部特征和整体特征，并将它们构建成稀疏字典；然后使用具有稀疏约束和余弦约束的网络损失函数（Spars Loss）来优化网络参数，在缩小类内距离的同时扩大类间距离；最后采用加强的稀疏表示分类（DSRM）来进行人脸识别。实验结果表明，BDL算法在AR数据集和扩展Yale B数据集上分别取得了高达92.64%和91.93%的识别率，且对遮挡变化和表情变化具有一定的鲁棒性。
　　2）提出了一种基于滑动分块生成对抗网络的小样本人脸识别算法（SGAN），利用滑动窗口获取人脸信息进而将侧脸图像生成为正脸图像，并建立生成识别一体化系统，重点解决了姿态变化下的 FFR 问题。该方法首先利用镜像对称和轴对称进行虚拟样本生成以达到样本扩充的效果；然后为了保证后期滑动分块的准确度，对所有的样本图像进行十字交叉对齐处理；接着利用滑动窗口遍历样本图像使人脸整体特征变为多个窗口特征，再将得到的窗口信息依次有序地输入到生成对抗网络，利用改进的组合损失函数生成人脸正面图像；最后在生成正脸图像的同时进行了人脸识别。实验结果表明，SGAN算法对偏转角度小于 45 度的小姿态人脸正面生成具有一定的有效性，并且提高了姿态变化和光照变化下小样本人脸识别的性能。