人脸识别作为目前人们最常用的识别身份方式之一,该技术有着非常广阔的应用场景。而在实际应用中,由于人脸图像采集受到多种影响因素的限制,每一个人往往只有少量或者单一图像作为训练样本,这会导致传统的多样本人脸识别方法提取特征不完全,且由于单一训练样本使得单样本人脸识别方法对光照变化、表情变化、遮挡等影响的鲁棒性较低,识别率较低。针对目前单样本人脸识别率较低这一问题,本文分别从样本扩张法和特征提取方法两个部分来对单样本人脸识别问题进行研究。在基于图像子模式的条件下,提出了一种将LBP和HOG相融合的特征提取方法:S-LH方法。最后为了弥补S-LH方法对遮挡鲁棒性较低的问题,同时为了进一步提升单样本人脸识别率,本文将该方法与样本扩张方法相结合并通过实验证明了结合后的ES-LH方法的有效性。本文所做的主要工作有以下几点:(1)对现有的样本扩张法进行研究,分析不同的样本扩张法的特点,尝试将不同的样本扩张法相结合,并将不同结合方法生成的虚拟样本分别作为新的训练集,然后在ORL人脸库以及FERET人脸库中分别使用ESRC、FLDA、DMMA、SDA以及传统深度学习方法在结合新的训练集时来进行实验,实验表明,本文提出的几种样本扩张法相结合的方法产生的虚拟样本在作为训练集的时候可以明显提高单样本人脸识别率。(2)针对单样本人脸识别率不高这一问题,本文提出了基于图像子模式下的LBP-HOG融合特征方法:S-LH方法。传统的局部二值模式(LBP)可以很好的提取图像的纹理特征而对于图像的轮廓信息则无法有效地描述,而且由于在单样本人脸识别中单一特征并不能准确地描述原始人脸特征信息,所以本文尝试结合HOG算法来增加对图像轮廓信息的描述,同时采用将LBP-HOG融合特征与图像子模式结合的方法来增加对干扰信息的鲁棒性。最后通过在ORL人脸库以及AR人脸库中进行实验对比,证明了本文提出的S-LH方法的有效性。(3)由于本文提出的S-LH方法对部分遮挡的鲁棒性较低,所以为了更好的提高单样本人脸识别率,本文将通过第二章得到的最佳样本扩张结合方法与S-LH方法相结合,利用生成的虚拟样本组建新的样本训练集来增加对遮挡的鲁棒性,最后通过在四个公开人脸库以及本文自建的一个小型人脸库中进行实验,并与不同类型的常见方法进行对比,实验结果表明,本文提出的ES-LH方法可以提高单样本人脸识别率。