人脸识别是图像处理、计算机视觉、模式识别等领域研究的热点话题,近些年研究学者提出了许多的经典算法,并广泛应用于公共安全,视频监控。线性判别分析(LDA)和稀疏表示(SRC)是两种经典的人脸识别方法,能有效的提高人脸识别的识别率,然而,考虑到样本存储问题和样本获取难度问题,在一些特殊的识别情况下,如身份证、护照、驾驶证等识别问题,一些通用的人脸识别方法不能直接用,需要设计出一种识别算法,能够有效地从单个的训练样本提取不同个体的本质性鉴别特征。本文基于线性判别分析和稀疏表示对单样本人脸识别技术进行研究,具体工作如下:首先,介绍了基于线性判别分析和稀疏表示人脸识别方法的基本原理,针对它们在人脸识别中存在的一些缺点,介绍了几种改进的方法,在公共人脸数据库上仿真实验分析它们的优缺点,为以后单样本人脸识别算法奠定理论基础。其次,针对在单样本人脸识别问题中,由于每一类的训练样本只包含一个,用线性判别分析方法时类内散度矩阵为零的问题,本文基于奇异值分解原理提出了一种新的虚拟样本构造方法,该方法自适应的选择基图像的数重构图像,并结合了原始图像构造虚拟样本。同时,人脸的局部特征也包含重要的鉴别信息,所以把每个样本分成重叠的块,把这些块当成独立的样本个体进行特征提取和分类,最终测试样本的识别结果是这些块样本分类结果的最大投票。在四组人脸数据库上验证了本文提出方法的有效性。最后,针对稀疏表示算法计算复杂度高,用于单样本人脸识别时识别率低等问题,本文研究了基于协同表示图像分块的单样本人脸识别算法,该算法对样本进行分块,构造块字典,对测试样本的块进行协同表示得到块识别结果。同时,对于不同的人脸数据库,固定的块大小会丢失一些局部信息的问题,导致识别率低下,本文提出了变换尺度块的单样本人脸识别算法,根据不同的人脸图像,选择合适大小的块,在公共的人脸数据库上进行仿真实验,实验结果验证了本文提出方法的有效性。