人脸识别技术最友好、自然、直接的生物特征识别手段,在社会公共安全、政府机关、视频监控、电子商务等领域都有着广泛的应用空间,人脸识别技术可分为人脸检测和识别两个基本过程。首先在视频录像中检测和定位到人脸图像。然后,通过算法利用数据库进行识别匹配,从而鉴别目标人脸,其中光照、人脸姿态、遮挡、表情等变化给人脸识别带来了巨大的挑战。压缩感知算法(Compressed Sensing,CS)因为不受传统Nyquist定理的限制,近年来成为一个研究热门领域,在一开始数据采集的时候,去掉多余的信息将信息进行压缩,再利用重构算法又能从稀疏的系数中恢复成原来的数据。后来有学者将贝叶斯理论与CS相结合,提出来贝叶斯压缩感知算法(Bayesian Compressive Sensing,BCS),BCS是从贝叶斯统计学的角度去通过后验分布函数对信号和噪声进行估计,所以在信号恢复时,一定范围内可以减少噪声的干扰。BCS因为多层先验的引入,在求解后验分布时算法复杂度高。视觉词袋模型和局部特征统计都是常用的特征提取方法,词袋模型要用K均值聚类来得到视觉字典,聚类大小的选取对特征提取的影响,以及更新字典要花费很长的时间。局部特征统计特征提取算法虽然具有光照和旋转不变性,但对于人脸图像多尺度的变化效果不是很理想。针对以上叙述的问题,论文提出了三个新的算法来解决：核贝叶斯压缩感知算法(Kernel Bayesian Compressive Sensing,KBCS)、压缩稀疏金字塔(Compressed Spatial Pyramid Model)和多层局部特征统计(Multi-level Statistical Local Feature,MSLF)。 KBCS是将BCS进行核扩展,加快贝叶斯压缩感知的运算速率,提高算法鲁棒性。CSPM是利用CS的思想将词袋模型加以改进,提高了算法的运算效率。MSLF是局部特征统计与空间金字塔模型的结合,使算法在一定范围上能克服人脸图像不匹配的问题,在常用Extended Yale B、AR、CMU PIE和FERET人脸数据库上验证了算法的有效性。