在计算机视觉、机器学习及生物识别技术中,自动人脸识别技术是最具有挑战的研究之一。尽管人脸识别在最近几十年已经被广泛研究,且很多经典的人脸特征提取和分类方法被提出,包括子空间学习的Eigenface、Fisherface、 Laplacianfaces,基于Gabor特征的分类,以及具有机器学习功能的SVM等。但由于受遮挡、姿态变化和光照等影响,其识别性能依然受到很大的限制。因此在真实情况下提高人脸识别的鲁棒性仍有必要。2008年,John Wright等人首次将稀疏表示引入到人脸识别中,提出了SRC(Sparse Representation based Classification)方法。该方法是将训练样本作为字典,通过1模最小化技术得到待识别图像在字典上的稀疏表示系数,并求解最小残差来进行识别。SRC方法给人脸识别提供新的研究方向,由此本文对稀疏表示人脸识别进行了研究。针对图像的光照和遮挡问题,重点研究了如何提取较好的局部特征和构造合理的遮挡字典两个部分。论文的主要工作及研究内容包括：1)使用SRC方法进行人脸识别时,为了使得表示系数矢量具有更为显著的稀疏性,受到GSRC(Gabor Feature based Sparse Repreentation Classification)算法的启发,本文将单演特征这种局部特征引入到稀疏表示分类中,提出了基于单演特征的稀疏表示分类方法,即MSRC(Monogenic Feature based Sparse Representation Classification)。由于单演特征能够提取图像的能量特征、结构特征和几何特征,提取的图像信息比较全面,使用它作为特征对后续的稀疏表示分类是比较有利的。在算法特征的处理时间上,相对于Gabor的多尺度和多方向,仅仅多尺度的单演特征能够减少特征的处理时间。在AR库和Extend YaleB库上分别进行了实验,验证了所提算法的有效性。在AR库上,MSRC算法虽然最高识别率与GSRC一致,都为97.143%,但是整体平均识别率高于GSRC。在Extend YaleB库上,MSRC最高识别率为98.918%,高于GSRC的96.543%。2)对于待识别人脸出现损坏或遮挡时,考虑到遮挡的人脸往往可以认为是原始人脸和遮挡误差叠加而成,研究了含有遮挡字典的扩展字典对识别性能的影响。重点研究了单位矩阵遮挡字典和Gabor遮挡字典。考虑到扩展字典的复杂性,使用压缩传感的理论去除遮挡区域,利用非遮挡区域作为字典进行识别。在含有遮挡人脸的AR库上进行了实验,比较了这几种字典对遮挡图像的识别性能。已知AR库上有戴墨镜和戴围巾两种遮挡情况。使用戴墨镜的人脸作为测试库时,非遮挡区域的字典识别率要低于Gabor遮挡字典。但使用戴戴围巾的人脸作为测试库时,识别率最高的是非遮挡区域的字典。这是因为在遮挡面积较大时,使用非遮挡区域作为字典的识别性能要优于单位矩阵遮挡字典和Gabor遮挡字典。