随着计算机技术的发展，人脸识别技术已经逐渐成为了计算机视觉与生物信息等领域的研究热点之一。人脸识别技术在安全验证、人机交流、公安系统、档案管理等方面都得到了广泛的应用。虽然人脸图像较容易获得，但是由于光照、姿态、遮挡和年龄等等问题使得人脸识别技术的复杂度和难度都相当高。经过了几十年的发展，人脸识别技术并未取得预期的效果，进展缓慢。现在人脸识别算法主要基于统计学习理论。这些理论建立在大量样本的基础上，可以有效地处理低维数据，但是对于高维数据却难以取得预期效果。随着技术的发展，现在的图像数据都是高维数据，而且可采集的样本数量也是很有限的，这也导致了这些经典的统计学习理论很难处理现有的图像数据。2006年Donoho与Candes等人提出了一个新的理论框架——压缩感知，它可以有效地解决数据从高维到低维的转换，这给人脸识别带来了新的春天。该理论中最为经典的就是基于稀疏表示人脸识别算法（Sparse Representation–basedClassification,SRC）。与现有多数方法相比，SRC方法直接利用了高维数据分布的稀疏性进行统计推断，可以有效地避免维数灾难问题。同时，SRC方法直接利用原始像素进行人脸识别，避免了各种预处理过程造成的信息丢失。现有SRC方法要求测试图像和训练图像严格对齐，遮挡、噪音、姿态和表情变化都会引起人脸图像产生误差。本文研究在遮挡和有噪音的情况下如何正确重构和识别图像，并提出一种对于遮挡和噪声鲁棒的改进的基于稀疏表示的人脸识别算法。