目前的人脸识别方法经常忽视训练过程中噪声的影响，训练数据受到污染时，识别性能会明显下降，近来提出的低秩分解能有效缓解该现象。鉴于此，本文在研究国内外相关研究成果和最新研究进展的基础上，针对鲁棒人脸识别算法展开研究。首先，针对低秩分解能有效抑制训练样本的稀疏噪声，对四种典型的低秩分解算法在人脸识别中的应用进行探讨，比较各算法的性能。其次，研究了融合低秩Metaface字典学习和稀疏表示的识别算法。利用Metaface训练方法对变换空间的字典进行学习，用学习的字典对变换空间的测试样本稀疏表示，依据重构误差最小分类。实验结果表明，该算法的识别率较高。再次，针对松弛协作表示能提高系数判别性的特点，研究了融合整体和局部特征的低秩松弛协作表示的识别算法。通过分块和下采样处理得到训练样本和测试样本的局部特征和整体特征，然后对各特征的训练字典进行低秩分解和主成分分析，得到变换空间中各特征的训练字典，最后在变换空间进行松弛协作表示，根据最低权重编码残差分类。实验结果表明，该算法的鲁棒性较好，识别率较高。最后，针对已有人脸识别算法不能兼顾识别率和识别速度的现状，研究了融合整体和局部特征的低秩分块协作表示识别算法。提取整体特征和局部特征后，通过低秩分解和主成分分析得到变换空间的训练字典。然后通过变换空间各特征的训练字典对相应的测试样本进行协作表示，结合投票法和重构误差最小分类。实验结果表明，该算法的识别速度较快，识别率较高。