随着人工智能的飞速发展,身份认证技术是现在重要的研究课题,而其中人脸识别技术作为一种新兴技术,深受许多领域关注。随着人脸识别技术的发展,不断地有新型算法涌入,使得在受控条件下的人脸识别精度越来越高。然而,在实际生活中,人脸识别技术常常面临着一些难题。比如遮挡、光照、人脸表情与姿势等影响,造成人脸识别的效果不尽如人意。其中局部遮挡会引起人脸识别的准确率急剧下降,因此本文针对局部遮挡的人脸识别展开讨论,通过所提算法提高了局部遮挡人脸识别的准确率:首先介绍人脸图像预处理技术中的图像增强技术与图像去噪技术,又介绍了卷积神经网络的理论,提出了针对局部遮挡人脸的LLE-CNN人脸检测方法,该方法可以检测出局部遮挡的人脸并能够标示出遮挡部分。其次根据对有遮挡人脸识别算法的分类,介绍了传统子空间方法。传统子空间方法中稀疏表示分类方法与协同表示分类方法是针对局部遮挡人脸识别的两种常用算法,后又因为稀疏表示分类方法在实际中不足以描述编码错误,提出了一种稀疏表示分类方法的改进算法,鲁棒稀疏表示,并在AR人脸数据库中对比了三种算法的性能。最后,为了提高局部遮挡人脸识别的鲁棒性。本文采用了一种基于深度特征字典表示分类的算法,该算法利用卷积神经网络作为特征提取器,然后使用字典对提取的深度特征进行线性编码,最后利用稀疏表示编码的改进算法鲁棒稀疏编码进行残差分类。通过实验证实该算法可以同时在有遮挡与无遮挡条件下的人脸识别都具有鲁棒性,在计算上是有效的,并且对于人脸图像中的较大连续遮挡也具有鲁棒性。