人脸识别技术在社会中的应用场景日益增多,人脸刷卡、人脸支付甚至是寻找失踪多年的儿童这种跨年龄段的识别技术都已经有所应用。目前,人脸识别技术已经是模式识别和计算机视觉领域的研究热点。但是人脸识别算法目前还存在很多问题,尤其是人脸特征提取和表达上存在着很多不足,而且极易受到光照、表情和姿态等影响。近年来提出的稀疏表示分类算法,为分类算法开辟了新的研究方向,其优异的识别性能受到了大量研究者的关注。传统的稀疏表示人脸识别算法,使用的训练数据集往往都没有经过特征提取,而是直接将原始的图像数据拉长到一维向量输入到分类器中,这会大大影响稀疏表示分类器的性能。人脸图像数据隐含的信息几乎都是非线性的,直接将原始数据转换到一维向量会丢失大量的有用的图像信息,此时利用稀疏表示分类器,往往得不到理想的效果。为了能够提升稀疏表示分类器的性能,本文针对以上问题进行了研究。首先,对权重稀疏表示人脸识别算法进行了相关研究,设计了一种新的权重矩阵,对数据间的权重关系进行重新进行了改进,在此基础上又对梯度方向直方图特征提取算法进行了研究,设计了多尺度梯度方向特征提取算法将其引入权重稀疏表示人脸识别算法,提出了基于多尺度梯度方向特征和权重稀疏表示人脸识别算法WHSRC。多尺度梯度方向特征的优点在于能够很好的描述人脸特征的局部纹理信息和全局纹理信息,因此它兼顾了图像数据的全局与局部信息。其次,对自编码神经网络进行相关研究,将其引入到稀疏表示人脸识别算法中,提出一种基于自编码神经网络的稀疏表示人脸识算法STSRC。相比基于图像处理技术的特征提取,通过神经网络对数据特征提取往往更有效。论文利用神经网络,对训练数据自行自编码学习,最后提取出更加抽象的特征,将人脸数据变换到学习到的特征空间中,利用稀疏表示分类器进行训练。最后,针对提出的两个算法进行了相关实验。实验结果表明提出的两个算法均能有效的提升识别率。另外,针对提出的两个算法单独进行了对比,结果表明,WHSRC算法适用于简单场景下高维度人脸识别,STSRC算法适用于复杂环境下的人脸识别。