人脸识别一直是生物识别领域的研究热点，在计算机、(应用)数学、电子、自动化、可视化、虚拟现实、图像处理与模式识别等学科都有较广泛的研究，同时也在航空航天、气象、刑事侦查、出入境关口管理、机场检查等领域有着重要的应用价值。随着人脸识别技术的不断发展，如何提高不同变化情况下的人脸图像的识别率，已经成为目前亟待解决的一个问题。基于单幅人脸图像在不同变化情况下的识别，如光照，表情，姿态和遮挡，已经成为一项真实世界中的重要任务，广泛使用的整体特征点可能会因为光照或者其他因素而出现识别率低或错误识别的情况。为了解决这个问题，基于特征描述子的识别方法已经越来越重要，并且获得了良好的性能。尺度不变特征变换(Scale Invariant FeatureTransform, SIFT)算法检测到的特征点较稀疏，从对象的不同视角和尺度提取特征点，也可以完成基于单幅图像的识别。因为人脸识别不同于一般的图像匹配，所以SIFT不能直接用于人脸识别，仍有问题有待解决：(1)大多数人脸识别方法将人脸图像视为通用的对象图像，直接采用SIFT特征中检测到的每一个关键点进行两幅人脸图像的匹配，更确切的说，这些特征点不直接用于人脸识别问题。(2)两幅图像之间的特征点的匹配策略不是计算量太大就是匹配率不高。为此，本文制定了一种新的检测稀疏特征点的框架，用来描述特征的上下文，并匹配两幅人脸图像之间的特征点。本文称这种新提出的方法为人脸稀疏描述子(FaceSparse Descriptor, FSD)，主要工作有以下几个方面：1.首先研究了SIFT算法的原理和步骤，通过分析SIFT与人脸特征，提出一种检测特征点的方法FSD，然后基于AR、CMU、FERET人脸图像数据库中的单幅人脸图像，给出了SIFT算法和FSD算法的处理结果。2.本文对经典SIFT算法的特征描述子生成步骤进行改进，并且从表情、光照、姿态、遮挡等因素方面对单幅人脸图像进行识别与匹配。通过对比实验，本文提出的FSD与SIFT，局部二值模式(Local Binary Patterns, LBP)，方向梯度直方图(Histograms ofOriented Gradients, HoG)，主成分分析(Principal Component Analysis, PCA)等算法比较，证明FSD对归一化之后的单幅图像的识别率更高，鲁棒性也较强。3.本文在经典SIFT算法的基础上改进了匹配策略，生成特征描述子之后，使用R-表存储检测到的特征点信息，在进行查询匹配时，计算描述子的平均局部距离，并对结果进行加权，用加权平均局部距离代替SIFT匹配中的欧氏距离，从而降低了错配点的概率，得到更加信服的整体匹配度。本文在AR人脸图像数据库、CMU人脸图像数据库和FERET人脸图像数据库的基础上进行了验证实验，对比了FSD、SIFT、PCA、Gabor与其他局部特征描述子(例如，LBP和HoG)在各种因素影响下的结果，实验结果说明本文提出的FSD方法是有效的。