人脸识别作为一种友好的生物特征识别技术广泛应用于人机交互、公共安全、国家安全等领域，是模式识别和机器视觉领域的研究热点，由于其易受到光照、表情、遮挡、姿态等因素的影响，高精度的人脸识别依然是具有挑战性的一个课题。稀疏表达是压缩感知中的关键理论，数据的稀疏表示，可以从本质上降低数据处理成本，提高压缩效率。将稀疏表达理论运用于图像处理是一种有效的方法。本文将稀疏表达理论运用于人脸识别并进行改进，提高了识别精度。主要工作内容如下：（1）分析两种常用人脸识别算法：主成分分析方法(Principle ComponentAnalysis, PCA)和Fisherface方法。相关实验证明，两种算法在小样本库上有良好的识别效果，但是在大样本库上识别效果不佳。（2）基于经典稀疏表达的人脸识别框架，分析了字典学习和稀疏分解两个关键环节。为了有效的进行稀疏表达，基于随机投影的思想，将随机脸与KSVD算法相结合展开字典学习并进行识别，相关实验证明，相对于传统的人脸识别方法，本章方法在大样本库和小样本库上都能取得更好的识别效果。（3）由于KSVD算法训练字典不具备判别性，通过在目标函数中加入分类误差的方法，研究了D-KSVD算法，为进一步提高D-KSVD算法分类精度，增加类间约束，研究了LC-KSVD算法即在目标函数中加入判别稀疏编码误差限制。（4）为了优化字典学习过程中的迭代效果，对判别型字典训练方法进行改进，即先在类内训练字典，再将类内字典级联构成初始化字典，使初始化字典保留了较完整的样本信息，降低了训练字典的误差，使得识别率得到较大提升。相关实验表明，该方法针对D-KSVD和LC-KSVD算法均能改善识别效果。