单样本人脸识别具有一定的难度和挑战性。目前单样本人脸识别方法普遍存在以下两个问题:(1)识别率偏低。(2)计算量,数据量大,模型建立复杂。因此单样本识别性能无法做到最好。针对以上问题,本文基于稀疏表示分类框架,把迁移学习思想引入到单样本人脸识别研究中并进行了大量实验,为其他研究人员使用迁移学习和稀疏表示分类框架解决单样本问题提供参考。主要研究内容如下:(1)从课题的研究背景和意义出发综述了国内外的研究历史和现状,对比较经典的几类算法进行了综述并指出了现有算法存在的不足。(2)对迁移学习理论进行了相对详尽的介绍,包括基本概念,以及生活中的迁移学习实例的阐述。介绍了迁移学习的研究历史,并对现有的算法进行了简单综述。对迁移学习的应用以及未来的发展方向进行了展望。为文章后面将迁移学习理论引入单样本人脸识别中做了铺垫。研究了最能体现迁移学习思想的将迁移学习和adaboost算法相结合的基于实例的迁移学习算法,对算法原理和步骤进行了相对详尽的阐述。为研究人员理解迁移学习概念和tradaboost算法有指导意义,为后文迁移学习的引入做了铺垫。(3)通过对样本扩充方法的研究把单样本人脸识别问题转化为多样本人脸识别问题并结合稀疏表示分类识别方法进行识别,最终提高了单样本条件下的识别正确率。在对样本扩充方法研究时,本文阐述并对比了几种基本的样本扩充方法,如镜像变换、滑动窗口等扩充方法。为第五章与引入迁移学习后的对比实验做了铺垫。(4)研究了稀疏表示分类(SRC)算法和扩充稀疏表示分类(ESRC)算法在人脸识别之中的应用,介绍了经典的稀疏表示分类框架,以及和本文算法十分相近的扩充稀疏表示分类算法。对比评估了经典SRC、ESRC算法用于人脸识别的准确性以及算法特点。对后续的对比实验研究具有一定的指导意义。(5)把迁移学习理论与稀疏表示分类方法结合运用到单样本人脸识别问题中,从辅助样本类获得对分类有帮助的稀疏迁移字典,将它运用到单样本人脸识别问题之中,为了丰富文章内容,由于整个算法是基于稀疏表示分类框架的,所以还分析了典型的稀疏分解算法,通过实验对二维图像信号进行研究,对比分析了截断牛顿内点法、同伦算法、增广拉格朗日算法的性能。最后利用效果相对最好的同伦算法进行了实验对比,证明了迁移学习算法的可行性,并提出了算法存在的不足,阐述了下一步的改进方向。