人脸识别一直是生物识别的一个重要课题。近些年，在众多科研人员的不懈努力下，人脸识别算法的研究发展迅速，很多高效快捷的算法陆续被提出，也取得了许多成果。协同表示分类是在稀疏表示分类的基础上进行改进的一种快速有效的分类算法。算法采用一种l2-范数最小化的方法进行分类，与稀疏表示的算法相比，协同表示的方法大大减小了计算的复杂度。　　本文的研究内容主要是基于协同表示分类的识别，主要研究工作如下：　　首先介绍人脸识别的相关背景、发展历程及现状，并对目前的几种主要人脸识别技术的方法，如子空间算法、支持向量机、神经网络分类和稀疏编码分类等进行介绍。另外对人脸识别实验中常用的数据库进行介绍。　　其次，分别介绍了基于字典扩展的协同表示算法和基于PCA_LDA和协同表示的人脸识别算法。基于字典扩展的协同表示算法在传统的训练字典中加入了一个特征矩阵，增大特征信息在字典矩阵中的比重，从而提高识别的准确性。基于PCA_LDA和协同表示的人脸识别算法将PCA算法和LDA算法的特征子空间进行融合，将人脸的特征信息压缩到一个更小的子空间内，再用协同表示算法进行分类。在实验部分选用了ORL，AR，YALE，FERET等人脸数据库作为实验对象，并将本文算法与一些传统的经典算法进行比较，得到了很高的识别正确率和识别速度。同时也在一些数据库的测试图像中加入了高斯随机噪声和遮挡快，分析其对两种算法的影响，得出算法对噪声和遮挡块的抗干扰能力较强。　　最后，对本文的算法进行了总结，并阐述了本文所取得的的成果以及本文研究的不足之处。