随着现代科技的进步,生物特征已经被广泛的应用于各种模式分类问题中。而在这些生物特征中,人脸特征是被人们着重研究的对象。不论在工业领域还是学术领域,大量的研究员,学者都在致力于使得人脸识别更加可靠。遗憾的是,准确可靠的人识别算法以及产品仍然很少。众所周知,由于各种因素,如光照、角度、姿态等变化无常。而且,人的面部特征随着发型、表情、年龄的不同而变化。特定复杂情景以及人脸的多变性使得人脸识别具有极大的挑战。纵观逝去的几十年,大量有重要学术价值以及一些有一定的工业价值的人脸识别算法被慢慢的被人们提出,如Turk等人提出的主成分分析(Principal Component Analysis,PCA)人脸识别算法、Fisher提出的Fisher线性判别分析(Fisher’s Discriminant Analysis,FDA)人脸识别算法、Yang等人提出的二维主成分分析(Two-Dimensional Principal Component Analysis,2DPCA)人脸识别算法。在人脸识别的起步时期,这些人脸识别方法起到了至关重要的作用。而且,即使是现在,这些算法仍然具有重要的研究价值。随着计算机网络的发展,人们发现当时的算法很难满足人们的需要,比如门禁系统人脸识别,公安系统人脸识别等一些比较简单人脸识别场景。近年来,压缩传感(Compressed Sensing,CS)理论有了完备的理论发展与实践应用。图片、视频等视觉信号中稀疏特性被逐步挖掘出来,稀疏方法用于人脸识别被广泛的研究与应用,并且在特定场景取得了不凡的成就,如稀疏主成分分析(Sparse Principal Component Analysis,SPCA)人脸识别算法、稀疏表征(Robust Face Recognition via Sparse Representation,SRC)人脸识别算法。然而,随着各种智能终端的发展,信息的生成、获取更加的便捷且数量正在急剧的增加。在不知不觉中,人们已经充斥在大数据中。如何更加有效的利用这些数据亟待解决。尤其是应用的人脸识别领域。正是基于这种朴素的想法。本文做了以下工作:(1)从当前时间点起,对人脸识别问题的研究背景、研究意义给出了本人的总结。表明人脸识别问题仍然是一个火热且高速发展的领域。对国内、国外的研究背景进行了认真的梳理,列举了近年来的重大研究成果。最后,对于部分不同的人脸识别算法的优缺点,从本文的角度进行的总结。(2)以压缩传感理论为基础,稀疏表征理论为核心,结合运用组思想,本文提出了联合稀疏表征(Joint Sparse Coding,JSC)算法。通过对组思想的应用,利用多种维度的测试样本作为人脸识别的对象,文中提出了一种用一组测试样本学习一个公共的稀疏表征系数的模型。实验表明,本文提出的联合稀疏表征在人脸识别的过程中具有更强的抗噪性。(3)鉴于稀疏表征的耗时性,基于投影字典对(Projective Dictionary Pair Learning,DPL)算法,本文分别运用组思想和协同思想,提出了组投影字典对算法(Group and Projective Dictionary Pair Learning,GDPL)和协同投影字典对算法(Collaborative and Projective Dictionary Pair Learning,GDPL)。(4)通过对投影字典对算法和协同投影字典对算法的总结。本文发现组思想与协同技术的同时应用也有一定的研究与应用价值。因此,本文提出了组与协同字典对算法(Group and Collaborative Dictionary Pair Learning,GCDPL)。AR人脸数据库、扩展Yale B人脸数据库这类开放的数据库被广泛用于人脸识别的仿真实验。本文也是基于这些获得工业界和学术界广泛认可的公共数据库进行了详细的实验,仿真结果证明了本文所提出的算法取得了较好的人脸识别效果。Isolet语音数据集则被广泛的应用于模式分类问题。本文所提出的算法不仅可以在人脸识别领域有一定的理论与应用价值。对于一般的模式分类问题,本文的算法仍然具有可靠的理论保障与应用价值。相关研究成果已发表在ICDE(CCFA类)、ICPR(CCF C类)等国际会议上。