人脸识别在计算机视觉和生物识别系统中具有非常重要的作用。尽管现有的人脸识别系统已经比较成熟，但还存在着一些会对系统的可靠性构成威胁的因素。例如，姿态、光照、面部表情的变化以及遮挡和伪装，仍然对人脸识别问题构成挑战。为了克服这些问题，我们急切地需要开发新的算法。　　针对人脸识别存在的问题，在基于稀疏表示的分类方法框架下，为了使得人脸识别模型能够对不同光照条件、严重的表情变化、像素随机缺损和连续区域被遮挡等问题具有良好的鲁棒性，本文提出了三种方法。　　1、基于协同表示的分类和正则化最小二乘方法及双边滤波方法，提出了一种有效的人脸识别算法。其中，双边滤波是一种有效的图像去噪方法，能够较好地提取图像特征；而协同表示的分类方法在计算不同范数的编码残差和表示系数中有广泛应用。提出的方法可以获得比单独使用协同表示的分类方法更好的效果。另外，在不同数据库上的实验结果表明，本文提出的方法优于其它流行的方法。　　2、提出了一种改进的人脸识别方法，它包含两个阶段，首先，在第一阶段用鲁棒的主成分分析方法对人脸降维并提取其特征，从而获得更紧致或更具有鲁棒性的基，进而作为图像表示的字典；然后，在第二阶段使用了基于稀疏表示的分类方法和特征脸学习方法，获得的特征脸使得1范数的最小化问题更易于解决，并且得到的特征更具有代表性。在不同人脸数据库上的实验结果验证了算法的有效性。　　3、针对人脸在不同条件下具有较大变化的问题，提出了一种人脸识别算法。这种算法融合了鲁棒的主成分分析方法和松弛的协同表示方法。在这个方法中，由鲁棒的主成分分析方法得到的低秩矩阵表示，提取有助于人脸识别的更具有判别性的信息；而松弛的协同表示方法，在将每个特征向量编码到其相关联的字典上后，能够减少编码向量的变化，提高特征编码的适应性，以及消除特征间的相似度。此外，方法的特别之处还在于它通过在编码域中赋予不同特征权重的方法，充分挖掘了特征的区分性。在不同标准数据库上进行实验，验证了所提出算法的有效性，并且展示了其出色的结果。