在人机交互、智能监控等领域,人脸识别作为身份查验的关键技术获得广泛应用,但由于在现实环境中,光照、遮挡、表情和姿态等因素的影响都在一定程度上降低了人脸识别准确率,使人脸识别技术的研究具有挑战性。近年来,由于可靠的统计学理论,稀疏表示思想被引入模式识别和机器学习领域中,取得较好的人脸识别效果。基于稀疏表示的人脸识别方法的核心思想涉及到过完备字典的构建是否最优、稀疏编码的求解是否正确、分类识别算法的选择是否合适等影响因素。本文以基于稀疏表示的人脸识别方法为研究重点,具体工作如下:重点阐述了稀疏表示算法的理论基础及其在人脸识别应用中的相关理论支撑;详细介绍了图像稀疏表示算法的一般架构,包括信号的稀疏表示、稀疏表示模型、稀疏表示问题的求解以及字典学习算法。为提高基于稀疏表示的人脸识别方法的准确性,重点研究了图像稀疏表示的K-SVD算法,提出了基于改进LC-KSVD字典学习的人脸识别方法。算法首先在K-SVD字典更新阶段选用PCA对误差项进行分解,取代了对误差项直接进行SVD分解来更新字典原子的过程;其次将此改进过程应用到LC-KSVD算法的字典更新阶段,提高了字典学习能力。实验结果证明,所提算法性能较为稳定,人脸识别准确率较高。为处理光照变化对于人脸识别准确率的影响,提出了一种基于改进LC-KSVD字典学习的变化光照条件下人脸识别方法。首先,选择直方图均衡化和小波去噪相结合的方式对训练样本图像进行预处理,得到人脸图像光照不变性描述;而后利用PCA方法的降维性能,构建初始字典;接下来对初始字典进行更新,使用在字典更新阶段做出改进的LC-KSVD算法,获取具备表示能力和判别能力的新字典;进而计算测试样本图像的特征矩阵在新字典下所对应的稀疏系数,并对测试样本图像的特征矩阵进行类关联重构,同时求解相对应的重构误差;最后按照求解得到的类关联重构误差,实现测试样本图像的判别分类。人脸数据库上的相关实验证明了该算法能够在一定程度上提高识别精度,较好地解决了光照条件变化对人脸识别准确率的影响。