人脸识别在模式识别领域中具有重要的研究价值和应用意义。现实环境中采集到的人脸图像往往因光照、装扮、噪声和遮盖等影响形成低质量人脸图像。对于低质量图像的人脸识别,传统的方法难以得到令人满意的识别结果。为了提高低质量人脸图像识别算法性能,本文从特征提取和分类器算法两个角度出发,通过研究基于稀疏表示分类器的算法,分别提出稀疏低秩成分表示的人脸识别算法和稀疏低秩成分编码的人脸识别算法,减少训练集中的干扰信息的影响,提高人脸识别效率。本文的主要工作包括:(1)提出了稀疏低秩成分表示的人脸识别算法,算法主要的贡献在于:(a)使用低秩成分和非低秩成分来描述低质量人脸图像中的人脸特征信息与遮挡、离群或稀疏噪声相关的其他信息。由于同一个人的人脸图像之间存在一个低秩的结构,所以低秩成分能够更加精准稳定的描述人脸特征。(b)提出稀疏低秩成分表示的人脸识别算法。针对低质量图像的人脸识别,利用对训练样本的低秩矩阵恢复得到的低秩成分和非低秩成分构建字典,然后用增广拉格朗日乘数子得到了稀疏低秩成分表示的结果。最后,最小化类重建残差来识别测试图像。(2)提出了稀疏低秩成分编码的人脸识别算法,算法的主要工作体现在:针对光照和噪声情形下的人脸识别,利用鲁棒M估计的理论,设计一种新的残差表达式来减少异常值的影响。在稀疏低秩成分表示的基础上,利用新的残差表达式,提出稀疏低秩成分编码,该算法能够克服低质量图像的训练集中光照和噪声等因素对人脸识别的影响,减少异常值的影响,提高低质量人脸图像的识别性能。本文方法在Extended Yale B、CMU Multi-PIE、AR、CAS-PEAL和LFW数据库中不同的低质量图像数据集上进行了测试,并且与其他相关方法进行实验对比。实验结果表明,本文方法不仅能适用于一般环境下的人脸识别,而且对于低质量图像的人脸识别优势更明显。