人脸检测和识别技术可广泛应用于身份识别、人机交互、视频监控等多个领域。然而,由于受到变化的光照、角度、姿态和表情等复杂情况,以及数据高维度、训练样本受限等问题的影响,目前的人脸检测与识别技术仍面临许多难题和挑战。在过去的几十年里,大量的基于图像处理和机器学习的人脸检测与识别算法被提出并得到了成功应用,其中建立在压缩感知理论基础上的稀疏表示方法,由于其优异的数据降维、特征提取和分类识别性能,已成为近年来人脸识别领域的研究热点。本文在分析人脸检测与识别方法国内外发展现状的基础上,开展了基于稀疏表示及字典学习的人脸检测与识别方法的理论和实验研究,具有广阔的应用前景。研究了视频序列图像中人脸区域的有效检测问题,提出了一种基于区域相似性的人脸检测方法。首先以人脸目标轮廓和位置为依据,提取帧间关键信息,以感兴趣人脸检测窗为参考,划分出图像中疑似包含人脸的区域和不含人脸的区域;然后采用基于纹理、颜色的区域相似性计算结果进行区域合并与剔除,并使用非极大值抑制算法标记人脸检测窗。与传统的穷尽搜索单一策略相比,该方法可有效降低检测搜索空间,剔除图像中无关区域,提高检测效率。研究了高维人脸图像数据处理及有效识别的问题,提出了一种基于流形约束字典学习的分类识别方法。首先使用非线性流形降维算法把流形中的各个开区间投影到低维线性空间,使用临近点线性逼近测试样本的投影点,并利用局部邻域约束条件构建非凸目标函数,利用拉格朗日乘子法求取其解析解,采用交替方向乘子法对目标函数进行优化,以减小计算量和存储空间;然后通过构造与类别相关的结构化字典,利用待测样本的稀疏表示系数和重构误差进行图像分类。实验结果表明,该方法的流形约束条件可增强类内相似性,提高稀疏判别能力,有效提升了分类性能。针对小样本数据集下传统的K-SVD等字典学习算法不能进行有效判别的问题,提出了一种基于改进字典学习和联合稀疏表示分类算法的人脸识别方法。首先将K-SVD嵌入的OMP算法用一种改进的迭代硬阈值(IIHT)算法代替,并引入判别约束条件,得到改进的字典学习算法(IIHT-KSVD),通过主成分分析法提取测试样本中人脸的类间和类内变化信息,利用该改进算法进行字典学习,得到对人脸变化具有较佳表达能力的补偿字典;然后将IIHT-KSVD嵌入到联合稀疏表示模型中,得到改进的联合稀疏表示(IJSR)分类器,在分类识别阶段,通过该补偿字典和训练样本共同对测试样本进行稀疏重构,使得识别结果能够有效补偿训练样本中所缺乏的人脸变化信息。实验结果表明在较少训练样本和复杂光照情况下,该方法可取得较好的识别效果。针对多角度人脸识别的问题,提出了一种融合全局和局部特征的可判别的混合基稀疏表示方法。该方法首先获取人脸图像的全局信息和局部HOG特征,构建融合特征,并通过引入类别信息的损失函数,优化稀疏表示字典。然后在惩罚函数中引入混合基范数的联合稀疏正则项,对全局和局部特征进行联合稀疏表示和分类识别。实验结果表明,该方法在降低特征维度的同时,能够挖掘多特征之间的关联性,并使得学习到的稀疏系数更具判别性,以满足多角度人脸识别的要求。针对多样本数据集的情况下人脸特征提取准确性和识别算法鲁棒性不高的问题,提出了一种改进方法。首先利用具有流形约束的卷积稀疏编码(MC-CSC)提取人脸细节特征,引入拉普拉斯特征图的方法约束特征使其保持近邻关系的相似性,并较好地保留原数据的空间信息,有利于增强对人脸特征的描述;然后利用自适应多类相关滤波(AMCF)分类器捕获特征之间的相关性并进行识别,通过约束最强响应的滤波模板,增加最大间隔和流形子空间限制,以促进ADMM的快速收敛。实验结果表明,该方法可有效解决多特征分类和欠拟合问题,提高多样本情况下人脸识别的准确性和鲁棒性。