人脸作为一种重要的生物特征,具有唯一性、稳定性、易获得性及不易伪造性等特点,从而被广泛应用于身份鉴别、安全监控、出入境管理、安全部门照片检索等领域。人脸识别作为计算机视觉领域的一个重要分支,其研究与发展不仅具有一定的理论意义,还具有较强的实际应用价值。稀疏表示分类算法(Sparse Representation Based Classification,SRC)是近几年在人脸识别领域中的新型分类算法。基于线性表示和稀疏约束,相比其他算法具有优异的分类性能。但在每类训练样本较少、样本中存在较大光照、姿态、表情以及遮罩的情况下,算法分类性能下降较为严重。从这些角度切入,探究如何提高稀疏表示分类算法的鲁棒性。文章的主要工作如下:(1).提出一种K邻域分块自动加权的单样本人脸识别方法。当每类只有一个样本时,先对训练样本进行分块,使对应分块构成的分块训练字典达到扁平化满足稀疏性要求;按照同样的规则对测试样本进行分块,对每一个子分块求K邻域分块,以组成虚拟的同类别测试样本集;并提出一种自动加权策略,对这些分块在分类中的比重进行加权,最后通过一种改进的投票机制确定分类结果。实验结果表明,针对单样本问题,该方法具有较强的鲁棒性。(2).提出一种基于均方差度量分块的自动加权稀疏表示方法。通过计算分块像素点的均方差,对分块在最终分类中的表决权进行加权度量。相比直接分块分类算法,该算法具有明显的识别率提升。(3).提出一种带PCA卷积的稀疏表示分类方法。利用PCA算法从字典基中提取卷积核,根据这些卷积核提取图像特征,对特征进行加权及稀疏化处理,再应用稀疏表示分类算法进行分类。实验表明,该算法提取的卷积特征更加鲁棒,且获得了最好的识别效果。