人脸识别技术因其有着重要的应用价值而备受学术届的关注,成为了人工智能和模式识别领域研究的热点。然而,由于现实环境的复杂多变性,使得人脸识别的研究具有许多的技术难点。本文将主要从受到局部遮挡的人脸识别问题切入,发现过去研究中的不足,提出改进的算法。因此,本文研究的主要内容以及创新点如下:(1)本文研究并改进了以往的低秩表示模型,并结合了具有鉴别能力的自诱导表示分类法,提出一种基于双低秩和自诱导表示的人脸识别算法。该算法首先通过双低秩表示模型学习出训练矩阵的低秩表示,再利用具有鉴别性的自诱导表示分类器对测试图片进行识别。最后,本文通过在有遮挡的AR人脸数据库以及Extended Yale B人脸数据库中的实验得出了算法的人脸识别效率。相比较其他的方法,我们的算法具有较好的的有效性以及鲁棒性。(2)为了强调字典学习在学习表示特征过程中的重要性,本文提出一种基于Schatten-p范数的低秩表示字典学习算法,并且使用了Schatten-p范数来替代过去研究中所使用的核范数。在两个有遮挡库中的实验结果表明,所提出的算法能够得到对于遮挡噪声具有鲁棒性的鉴别表示特征,因此,在受到噪声污染情况下具有更好的人脸识别效率。(3)在对以往的鲁棒低分辨率人脸识别问题研究中忽略了低分辨率测试图像伴随有遮挡的情况,因此本文提出了一种基于低秩和局部约束表示的鲁棒低分辨率人脸识别算法。该算法首先利用双低秩表示模型(Double Low-Rank Representation,DLRR)捕获了高分辨率图像训练集的底层全局结构,对于低分辨率测试人脸图像,本文采用局部约束回归来保持回归误差信息的结构信息,并学习得出具有鲁棒性和鉴别行的表示特征。采用稀疏表示分类器对得到的特征进行分类识别。通过在AR人脸数据库以及Extended Yale B人脸数据库中的实验均表明该算法的识别率要优于一些先进的低分辨率人脸算法。