随着信息科学技术的快速发展，人脸识别技术在信息安全领域承担着越来越重要的作用，应用于安全监控、电子商务、安全防务等领域的前景越发广阔。但实际应用中易受光照、遮挡、姿态、表情、背景等非理想条件下的因素影响，寻求鲁棒的人脸识别技术具有非常重要的现实意义。稀疏表示和协同表示成为近年来的研究热点，它们能够捕获人脸图像的本质特征，在人脸识别中获取较好的识别效果。协同表示分类需要字典中列向量之间不相关。但人脸识别中，有时不同类别人脸图像之间可能存在较多的相似图案，因此字典的列向量的相关度较高，进而导致协同表示分类最终可能产生错误的分类结果。另外，基于协同表示建立在大量训练样本基础之上，难以满足在现实人脸识别中单样本情形。针对协同表示分类问题和单样本人脸识别问题，主要做了如下两个方面的工作：(1)相对于稀疏表示分类，协同表示分类在取得较高分类正确率同时降低了运算量。但与稀疏表示分类一样，协同表示分类的字典的列向量的相关度较高，最终导致可能集中在错误的类别上。核函数为维度变换函数，将特征向量由低维空间投影到高维度空间，增大类别间的几何距离，使得线性不可分变为线性可分。为了增强分类效果，本文提出基于核协同表示的人脸识别算法，首先应用KPCA算法把人脸图像映射到非线性特征子空间，提取最有效识别特征。在分类时，针对特征维数比较大的问题，采用正则化的最小二乘解进行分类。在AR人脸库上测试表明，在较大维数时，该算法不仅在遮挡、光照等条件下识别率较CRC有了很大的提高，而且由于避免了1-范数最小化算法有效的提高了执行效率。(2)针对单样本人脸识别问题，传统的SIFT算法提取出的稳定特征描述子对存在平移、旋转、仿射变换、视角变化、光照变化的两幅图像取得很好的匹配效果。但是，人脸图像存在多个相似区域，SIFT算法在对人脸图像进行特征提取时，会出现大量的错配点对，另外算法复杂度较高。本文提出基于trace变换局部不变性特征的人脸识别算法。该算法首先应用一阶Scharr算子、二阶尺度适应的高斯型拉普拉斯算子(LOG)和Harris滤波器定位特征点，接着在特征点的邻域内进行trace变换得到具旋转和尺度不变性的特征描述子，最后根据特征描述子的特征向量和坐标值实现由粗到精的匹配。由于在特征提取阶段加入了Scharr算子与Harris角点检测保证在较少关键点的情况下达到较好的识别效果，并保证了效率。另外，整个识别过程不涉及参数选择问题，保证了算法的稳定性。在常用人脸数据库ORL、AR、Extend Yale B进行实验结果表明，与SIFT算法相比，该算法提高了识别率，降低了计算复杂度，并对人脸识别中的姿势、表情、光照、遮挡具有很好的鲁棒性。