随着人脸识别技术应用范围的扩展,使得人脸识别已经成为模式识别和计算机视觉的重点研究领域之一。近年来,基于字典学习算法的方法成了当下最热门的研究之一,并成功应用于现实生活中,取得了可观的价值成果。这类算法通过学习训练样本中的最本质特征,使得测试样本能够被训练样本更好的表示。但是,由于人脸面部表情、姿态及所受光照等变化的影响使得人脸识别方法在实际应用中的效果受到了一定的限制,同时,人脸图像维度较高导致计算量过大也增加了应用难度。噪声的出现影响了特征的学习效果,因此在复杂的噪声环境下,单纯地使用字典学习的方法,取得的结果并不够理想。本文通过研究统计独立和稀疏表示之间的关系,提出了一种将字典学习和稀疏表达相融合的方法,不仅避免了学习字典的过程中存在噪声的问题,而且提高了识别的效果。目前很多算法忽略了算法自身的泛化能力,因此,本文对此进行了重点研究,在盲源分离和人脸识别中都进行大量实验,验证了该方法在一定程度上对噪声场景中的信号及人脸图像均达到了良好的实验效果。本文的具体研究成果及创新如下:1.本文提出了一种从稀疏混合中提取独立成分分析的方法。该方法采用负熵的独立约束条件,通过交替迭代的方法对其进行目标函数求解,得到元素之间相互独立的字典。2.本文提出了对正则项进行改进的方法。该方法采用和独立字典相结合的求解方式,稀疏性的约束提高了该方法在人脸识别中的鲁棒性,减少对干扰和噪声的表达。同时采用梯度算法进行目标函数优化,该优化算法对目标函数进行求导,大大降低了模型的计算复杂度。另外,为了验证模型的准确性和有效性,分别在信号领域和人脸识别领域进行实验。