人脸识别是计算机视觉和模式识别领域的热门研究课题之一,具有非常广泛的应用价值。然而,人脸识别中仍有许多问题亟需解决,例如人脸图像中存在遮挡、光照、姿态变化等问题在一定程度上限制了人脸识别技术的发展。与传统的人脸识别技术不同,基于稀疏表示的人脸识别技术由于其多方面的优越性已成为目前的研究热点。稀疏表示方法已经取得了很好的识别效果和鲁棒性,但是依然存在着一些不足需要进一步改进提高,比如目前的稀疏表示算法大部分都基于全局特征,这样的特征不能很好的克服光照、姿态和表情等一系列变化的影响；同时稀疏表示算法中字典的性能好坏对于识别效果非常关键,如何选择和构造有效的字典来表示人脸也是近年来研究的重点。因此在基于稀疏表示人脸识别方法的基础上,本论文开展了进一步的研究工作；论文的主要工作以及创新之处归纳如下：1.研究了人脸识别的主要特征提取方式等,然后在稀疏表示研究基础上,研究了人脸识别稀疏表示模型。此外,对字典学习的方法进行了研究,期望通过字典学习得到自适应字典,实现对人脸图像的最佳表示。2.研究一种基于Gabor特征和字典学习的高斯混合稀疏表示图像识别方法,为了突出字典的表示能力和判别信息,将Fisher判别约束引入字典学习过程从而使字典具有一定的类别鉴别能力。在分类时,采用高斯混合稀疏表示算法,可以将稀疏表示的保真度表示为残差余项的最大似然函数,将识别问题转化为引入权重系数的范数近似逼近求解问题。3.针对遮挡和噪声等闭塞图像,研究一种Gabor特征结合Metaface学习的扩展稀疏表示人脸识别方法。首先提取具有细节描述优势的Gabor局部特征,然后对Gabor特征进行Metaface字典学习；同时为了更有效克服遮挡等对图像的影响,引入闭塞字典来稀疏表示遮挡部分,最后利用稀疏系数重构的样本与原样本的残差实现分类。