近年来,稀疏表示理论被广泛应用于人脸识别领域。而基于稀疏表示的人脸识别的关键在于构造判别性字典,因此本文的主要研究在于对字典进行优化,使得训练出来的字典具有结构性与判别性,从而提高人脸的识别效果。基于稀疏表示理论,本文提出了三种字典优化方法:（1）针对训练样本数量有限以及受到干扰的情况,本文提出了基于联合字典的人脸识别算法。该算法在训练阶段得到判别性的低秩类字典与稀疏误差字典,然后将这两个字典联合起来作为测试阶段使用的字典,分类时根据判别性低秩类字典对应的稀疏系数进行分类。（2）以往的基于稀疏表示的算法大多是对字典直接进行约束来得到判别性字典的,然而实际中对识别起直接作用的是稀疏系数,因此本文提出了基于判别性双字典学习的人脸识别算法,该算法通过引进不同类表示误差对稀疏系数进行直接约束来训练字典,这种方法能够提高字典的判别性。其次在训练阶段训练出分析字典,测试阶段利用分析字典求稀疏系数比传统的₀l或₁l范数法要快得多,能够节约大量的时间。（3）目前基于稀疏表示的算法大多是将数据降维与字典训练分开进行的,这可能无法得到数据的最优判别信息。因此本文提出了基于同步降维的判别性双字典学习的人脸识别算法,该算法在训练阶段对降维矩阵进行训练,使其能够尽量提取测试样本的判别信息,从而提高人脸的识别效果。其次,针对LCKSVD算法中的判别稀疏编码,本文提出了利用余弦相似度的方法进行优化。最后为了节约测试阶段所需时间,该算法也在训练阶段训练出了分析字典。在AR库以及Extended Yale B库的实验结果表明本文提出的三种字典优化方法具有一定的有效性以及鲁棒性,适合在实际中进行应用。