作为研究热点之一，稀疏表示技术在人脸识别领域已经取得了一定的成功。尽管现有的基于稀疏表示的算法能够取得较高的分类识别率，它们都假设所有错误分类引起的代价是一样的。然而，在很多实际应用中，不同的错误分类引起的代价是不同的。基于这点考虑，本文提出了两种基于稀疏表示的代价敏感性人脸识别算法。我们首先提出了一种基于稀疏表示的代价敏感性分类器(SRCSC)。SRCSC方法用稀疏表示的概率模型估计待识别样本的后验概率，并分别计算所有可能分类的总体错分代价，最小的总体代价对应的类别为方法的预测类别。SRCSC方法的主要贡献是将稀疏表示技术扩展到代价敏感性分类器中，充分利用了稀疏表示技术和代价敏感性技术的特点。我们接着提出了一种代价敏感的稀疏保持投影方法(CSSPP)。CSSPP方法在计算训练样本集的稀疏结构时考虑了稀疏表示的代价信息，因而得到的稀疏结构是代价敏感的。得到代价敏感的稀疏结构后，CSSPP方法采用稀疏保持投影的方法求出投影变换，并在低维空间中保持这种稀疏结构。另外，我们分析了代价与稀疏表示系数的关系。事实上，设置不同的代价会影响稀疏表示的系数，进而影响到样本的稀疏流形结构。CSSPP方法通过减小高错分代价类别对应的稀疏系数来降低总体错分代价。在AR和FRGC人脸库上的实验结果表明，本文所提出的两种方法既能获得较高的识别率，又能保证总体错分代价较小，验证了方法的有效性。