计算机自动人脸识别是模式识别与图像处理领域的难点之一。随着科学技术快速的发展，人们对人脸识别技术的需求也在不断提高。在一些特殊的应用场景，人脸识别系统往往只能获取每类（人）单张训练图像，因此，基于单训练样本人脸识别的研究具有较大的现实意义。对基于单训练样本的人脸识别问题进行研究，不仅将对人脸识别领域带来巨大飞跃，也将对诸如信息学、人工智能、心理学等其他相关领域产生深远的影响，研究基于单训练样本人脸识别具有十分重要的理论意义。　　本文介绍了基于单训练样本的人脸识别技术的发展趋势、系统流程、研究现状以及常见方法。重点探讨了解决单训练样本人脸识别的一些主流方法，及其存在的一些问题。并就当前人脸识别算法所面临的一些亟需解决的问题，提出了相应的解决方案，在改善人脸识别算法的鲁棒性与识别效率两方面进行了探讨，有效地提高了单样本条件下人脸识别系统的性能。　　本文的主要内容包括以下几个方面:　　(1)针对人脸不同区域所具有重要性的不同，对此，提出了一种基于SpPCA算法的人脸不同区域自适应权值计算的方法。该算法使用LBP算法对人脸进行编码，以每个人脸区域的图像信息熵作为该部位的权重，并将所得权重与SpPCA算法相结合，进行最终的人脸分类。实验结果表明，与一些经典的人脸识别方法相比，提出的方法可以对光照的变化更加具有适应性，有效的提高了算法的识别率。　　(2)受神经生物学研究结果的启发，提出了一种全局特征与局部特征集成的人脸识别算法。通过图像变换的方法增加一系列虚拟样本，对每类人脸图像数据的规模进行扩充。提出了一种基于Gabor小波与PCA降维的人脸图像全局特征提取算法，并利用BP神经网络进行特征集成。与传统的单样本人脸识别方法相比较，改进后的方法可以达到更高的识别效果。　　(3)为提高人脸识别的速度并同时能够保证人脸识别的正确率，研究了对人脸数据库进行离线预处理方法。针对通常的线性人脸比对的方法时间复杂度较高的问题，提出了一种采用离线人脸动态聚类、训练数据预先计算相似度来生成人脸索引的方法，改善了人脸识别系统的识别效率。