近些年,随着人脸识别理论的巨大突破和计算能力的不断增强,人脸识别技术得到了重点的关注,并普遍应用在生活的各个领域。尽管如此,大多数现有的算法只有在严格的实验室条件下才可以获得良好的识别效果。但是在现实的应用场景中,由于人脸图像存在光照、姿势、表情和遮挡等的影响,严重降低了算法的识别性能。因此,本文基于低秩矩阵恢复和稀疏表示的理论基础,针对遮挡人脸识别算法实时性较差、识别率不高等问题,具体展开如下研究:1.针对数据样本来自不同子空间时,传统低秩矩阵恢复模型不准和人脸识别的小样本问题,提出了一种基于判别低秩矩阵恢复的协同表示遮挡人脸识别算法。该方法通过在低秩矩阵恢复中引入结构非相关的正则化约束项,可以有效地从被污损的训练样本中恢复出干净的低秩训练样本。然后,通过学习原始污损训练样本与低秩训练样本之间的低秩投影矩阵,并将受污损的测试样本投影到相应的低维子空间来进行修正。最后,利用协同表示与分类的方法对修正后的测试样本进行分类,获取最终的识别结果。实验结果表明,本方法不仅在一定程度上缓解了小样本问题,而且提高了遮挡人脸识别的有效性。2.针对训练样本和测试样本均受到遮挡时整体特征不能有效地表示遮挡等问题,提出了一种基于Gabor特征的自适应稀疏表示遮挡人脸识别算法。该方法以研究点一所提算法为基础,恢复出干净的低秩训练样本图像,增强恢复样本的鉴别力。然后,对恢复的低秩人脸图像、原始训练样本和测试样本分别进行Gabor变换,得到其对应的Gabor特征向量,并构建更加紧凑的特征字典。接着,利用主成分分析法得到低秩训练样本Gabor特征字典所在低秩线性子空间的变换投影矩阵,并将原始训练样本和测试样本分别对应的Gabor特征字典,通过这个变换矩阵投影到同一线性子空间中,进行自适应稀疏编码。最后,通过自适应稀疏表示分类的方法,实现最终的分类识别。实验结果表明,本方法对遮挡人脸识别具有较高的识别率和较强的鲁棒性,更适用于现实生活的应用场景。