在模式识别研究领域,有关人脸识别的研究一直备受关注,并且已经被成功的应用于诸多社会公共安全防护领域。近年来,随着压缩感知理论的发展,稀疏表示因其出色的分类性能以及对噪声因素的鲁棒性而受到众多研究者的关注,并且被成功的应用于人脸识别当中。通过分析总结当前基于稀疏表示的分类算法的研究,在此基础上提出以下三种改进的分类识别算法:1.提出基于LBP特征的结构型稀疏表示分类算法。该算法通过提取样本的LBP直方图特征输入到结构型稀疏表示分类算法模型中,使算法可以充分利用样本LBP特征的局部性以及结构型稀疏表示分类算法的训练字典分块结构性,因此该算法使测试样本可以尽可能的选择用与其同类别训练样本来重构,极大的提升了分类识别效果。2.提出基于方向Gabor特征的核稀疏表示分类算法。该算法首先提取对光照、表情和遮挡等变化鲁棒性能较好的Gabor特征,并且为了充分利用Gabor特征的多方向特征信息,将方向Gabor特征输入到利用坐标下降法求解的核稀疏表示分类算法模型中,因此该算法对光照、表情和遮挡等变化具有更好的鲁棒性。3.提出基于竞争聚集的MOD字典学习算法。该算法在经典的MOD算法中加入聚类算法,在字典学习阶段首先利用聚类算法来去除冗余的字典原子数,得到性能优秀的字典,接着为了使学习到的字典具有判别性能,进一步使用MOD算法继续学习,最终得到分类效果更佳的字典。通过在AR、ORL以及LFW这三个公共的人脸库上进行对比实验,以此来验证本文所提算法的可行性以及有效性。