在计算机模式识别的研究方面,人脸识别技术是一个非常重要、活跃的研究课题,同时人脸识别技术也是一项非常重要的现代生物特征信息识别技术,它有着广泛的实际应用,比如安防、人机互交、人事考勤、门禁、社交网络以及追踪犯罪嫌疑人等。近几十年来,专家学者们提出了很多种人脸识别方法,人脸识别技术无论在理论研究还是应用开发方面,都取得了突破性的进展,但人脸识别的稳定性和识别准确率依旧受到遮挡物、光照强度、训练样本数以及姿态表情变化等因素的干扰。因此,如何降低这些因素的干扰,提高人脸识别的识别率是人脸识别领域研究者所面临的巨大困难和挑战,这也是本文的研究重点。最近几年,稀疏表示方法由于具有较好的识别效果,所以在人脸识别领域得到了广泛的应用。本文分析了稀疏表示算法的基本原理,并将稀疏表示算法与其他方法有效融合来提高人脸识别的准确率。(1)对产生虚拟样本的人脸识别算法进行深入研究,对训练样本和测试样本分别添加随机噪声构造虚拟训练样本和虚拟测试样本。此算法主要结合了虚拟样本和稀疏表示各自所具有的优势,分别对原始训练样本和原始测试样本构造产生足够多的虚拟训练样本和虚拟测试样本的方式来解决样本不足的缺陷,通过大量实验证明:基于虚拟测试样本的算法所获得的实验效果要比基于虚拟训练样本的算法好。(2)提出了的一种基于虚拟测试样本的权重稀疏表示的人脸识别算法,通过对原始测试样本进行随机添加噪声和几何对称变换方式构造产生虚拟测试样本,利用训练样本和各测试样本之间的距离信息来建立新的训练样本集。该算法可以看成是由四个弱分类器构成的强分类器方法,这四个弱分类器分别由原始测试样本和虚拟测试样本所组成,然后将新训练样本集在表示各自测试样本时所产生的偏差通过适当的函数为各测试样本进行动态权重分配来构建一种强分类器,最后将所得的结果归类到产生最小误差的类别中。大量的对比实验证明此算法能有效地提高人脸识别的正确率,从而降低人脸数据库图像识别的错误率。