人脸识别是生物特征识别中的一项重要技术,也是图像处理,机器学习等领域的热点研究课题,在公安系统,保险,银行,海关,身份证系统等领域具有广阔的应用前景。不同于传统的Eigenface, fisherface算法,2009年Wright等人提出了基于稀疏表示的人脸识别(Sparse Representation-based Classification, SRC),由于其对噪声有较好的鲁棒性,在人脸识别上取得巨大的成功,并将人脸识别引入了一个新的发展方向。本文主要对稀疏表示的人脸识别进行了研究,论文的主要工作如下：(1)加权稀疏近邻表示的人脸识别(WSNRC)。在每一类训练样本中寻找与测试样本最近的k个样本构成此类新的训练字典,然后在求解l1范数最小化的稀疏系数时,为每一个新的训练样本对应的稀疏系数赋上一个权值；最后在新的字典下,根据最小的重构误差来完成识别任务。在Yale B数据库和ORL数据库上的大量实验结果表明,WSNRC与NN算法和稀疏近邻表示(SNRC)算法相比,取得了较高的识别率,证明了该方法的有效性。(2)正则化Fisher分析和稀疏表示的人脸识别。首先使用正则化Fisher分析算法从训练样本中提取出最优投影矩阵,然后将训练样本和测试样本在投影矩阵下投影获得其低维表示,最后使用稀疏表示分类器进行人脸识别,在AR数据库和扩展的YaleB数据库上的大量实验结果表明,正则化Fisher分析和稀疏表示结合的方法取得较好的效果。(3)结合Gabor特征和对称脸的稀疏表示人脸识别。首先根据原始训练样本获得其对应的虚拟对称脸,然后将原训练样本和对称脸结合起来构成新的训练样本,最后提取训练样本和测试样本的Gabor特征并使用SRC分类器进行人脸识别。在ORL数据库,Yale数据库,FERET数据库上的实验表明了GMSRC的有效性。