人脸识别以其友好性和便捷性,成为生物识别的研究热点。基于稀疏表示人脸识别方法因诸多优点受到广泛关注,本文基于国内外相关学者研究基础上,分成三章节对稀疏表示人脸识别算法进行改进。首先,针对训练样本字典学习仅包含全局信息、缺乏局部信息的不足,引入与类别相关的原子字典,提出基于原子与分子字典联合扩展的加权稀疏表示人脸识别方法。通过对各类训练样本进行主成分分析,构造主成分基原子字典,同时将训练样本字典作为分子字典。进而,利用原子字典与分子字典结合得到扩展字典模型。测试时,根据测试样本与扩展字典基之间的距离进行加权得到与当前测试样本关联的重构字典集,最后对测试样本稀疏重构,利用残差进行分类判别。其次,传统稀疏表示分类字典模型在稀疏重构或重构残差时只考虑了辨别性信息,识别性能受到限制的问题,因此提出一种新的字典构造方法。对所有训练样本进行主成分分析,得到共享性分子字典,将训练样本作为辨别性原子字典,从而构造为扩展字典。然后,使用扩展字典对测试样本进行稀疏表示。最后,计算每类样本的表示概率,选取最大概率类别进行分类。最后,针对训练样本和测试样本均存在光照及遮挡时,破坏图像低秩结构问题,提出基于监督低秩子空间恢复的正则鲁棒稀疏表示人脸识别算法。首先,将所有训练样本构造成矩阵,并进行监督低秩矩阵分解,分解为低秩类相关结构,低秩类内差异结构和稀疏误差结构,利用主成分分析找到类相关结构低秩子空间的变换矩阵,再通过变换矩阵将训练样本和测试样本投影到低秩子空间。最后,通过正则鲁棒稀疏编码进行加权分类识别。