随着计算机技术的发展,人脸识别技术已经逐渐成为了计算机视觉与生物信息等领域的研究热点,人脸识别技术在安全验证、公安系统、档案管理等方面都得到了广泛的应用。图像数据维度的增加和样本数量的局限,使得传统的人脸识别技术在具体应用上的难度也越来越大。为了解决上述问题,本文基于压缩感知理论进行相关的人脸识别研究,该理论可以有效的解决数据从高维到低维的转换,同时避免维数灾难问题。本文主要研究内容总结如下:在基于稀疏表示人脸识别算法(SRC)的基础上,应用主成分分析算法(PCA)进行降维。该方法解决了SRC算法中字典原子长度过长的问题,研究了维数降低之后的识别运行时间与识别率的相关影响。主要研究在遮挡的情况下如何提高识别率的问题,提出了基于均匀分块的SRC算法,将人脸图像分割成小块进行训练识别;随后的研究发现,均匀分块SRC算法可以继续进行优化,将人脸图像进行特征点分块,提出了基于特征点分块的SRC算法,该算法只提取人脸图像中包含信息量较多的特征点进行训练识别;考虑到整体和局部的关系,将SRC算法和基于特征点分块的SRC算法进行有机的结合,出了基于特征点分块的SRC二次校正算法。从KSVD算法入手,进行学习型字典算法学习以及相关研究,提出基于特征提取矩阵求解稀疏系数算法。该算法在字典训练阶段得到的投影矩阵,然后通过该矩阵进行运算可以直接求解出稀疏系数,避免了使用迭代算法求解NP问题的过程。