近来,人脸识别作为生物识别重要研究方向已成为科研工作探索热点之一。然而,实际环境采集到的人脸图像往往有非线性结构及噪声污染,影响人脸识别鲁棒性。本文在国内外研究基础上,针对这些问题围绕稀疏表示分类做了进一步的研究。首先,针对经典子模块利用一致判决模型进行分类时,同等看待各子模块而忽视其因刻画不同内容导致的数据分布差异,提出多子模块分类器优化集成的稀疏表示分类算法。首先对训练集、验证集和测试集进行分块,对验证集每个子模块利用三种算法进行分类判别,通过比较三种算法对各子模块的判决效果,找出识别率最高的方法作为测试集对应子模块分类方法,然后对其进行分类判决,最后统计各子模块判决结果,得到最终分类。其次,针对大多数人脸识别算法一般在低维线性子空间中进行分类判别,而低维空间往往存在非线性不可分情况,同时基于全局考虑的识别算法忽略了局部特征。从而影响人脸识别鲁棒性问题,提出基于多子空间的核稀疏表示分类算法。首先对人脸图像进行分块,然后将各子模块分别映射到核空间,并在核空间进行分类判别,最后对判别结果进行统计,得到最终类别。最后,针对实际条件下采集到的人脸图像具有光照、遮挡等噪声污染问题,提出基于低秩子空间恢复二阶稀疏表示的人脸识别分类算法。首先对人脸图像进行低秩子空间恢复,得到人脸图像低秩结构,学习一个鲁棒距离矩阵,将“干净”的测试样本及训练样本映射到该距离空间,然后利用最近邻方法选出训练字典中与测试样本最相近的前若干个样本,重构训练字典,最后利用稀疏表示算法进行分类判别。